論文の概要: Localization of Just Noticeable Difference for Image Compression

• arxiv url: http://arxiv.org/abs/2306.07678v1
• Date: Tue, 13 Jun 2023 10:45:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 14:12:35.523808
• Title: Localization of Just Noticeable Difference for Image Compression
• Title（参考訳）: 画像圧縮におけるjust noticeable differenceの局在
• Authors: Guangan Chen, Hanhe Lin, Oliver Wiedemann, Dietmar Saupe
• Abstract要約: PJND(Just noticeable difference)は、人によって検出される刺激の最小差である。 これらの違いは、JNDクリティカル領域と呼ばれる画像内の特定の領域でのみ観察できる。 これらの領域の同定は、画像圧縮アルゴリズムの開発を改善することができる。
• 参考スコア（独自算出の注目度）: 4.702729080310267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The just noticeable difference (JND) is the minimal difference between stimuli that can be detected by a person. The picture-wise just noticeable difference (PJND) for a given reference image and a compression algorithm represents the minimal level of compression that causes noticeable differences in the reconstruction. These differences can only be observed in some specific regions within the image, dubbed as JND-critical regions. Identifying these regions can improve the development of image compression algorithms. Due to the fact that visual perception varies among individuals, determining the PJND values and JND-critical regions for a target population of consumers requires subjective assessment experiments involving a sufficiently large number of observers. In this paper, we propose a novel framework for conducting such experiments using crowdsourcing. By applying this framework, we created a novel PJND dataset, KonJND++, consisting of 300 source images, compressed versions thereof under JPEG or BPG compression, and an average of 43 ratings of PJND and 129 self-reported locations of JND-critical regions for each source image. Our experiments demonstrate the effectiveness and reliability of our proposed framework, which is easy to be adapted for collecting a large-scale dataset. The source code and dataset are available at https://github.com/angchen-dev/LocJND.
• Abstract（参考訳）: JND(Just noticeable difference)は、人によって検出される刺激の最小差である。 与えられた参照画像と圧縮アルゴリズムのピクチャワイズjust noticeable difference (pjnd) は、再構成において顕著な違いを引き起こす最小の圧縮レベルを表す。 これらの違いは、JNDクリティカル領域と呼ばれる画像内の特定の領域でのみ観察できる。 これらの領域の同定は、画像圧縮アルゴリズムの開発を改善することができる。 視覚的知覚が個人によって異なるため、対象とする消費者のPJND値とJNDクリティカル領域を決定するには、十分な数の観察者を含む主観評価実験が必要である。 本稿では,クラウドソーシングを用いた実験を行うための新しい枠組みを提案する。 このフレームワークを適用して,300のソース画像とJPEGまたはBPG圧縮下で圧縮されたバージョンと,各ソース画像に対して平均43のPJNDと129のJNDクリティカル領域の自己レポートされた位置からなる新しいPJNDデータセットKonJND++を開発した。 本実験では,大規模データセットの収集に適応し易いフレームワークの有効性と信頼性を実証する。 ソースコードとデータセットはhttps://github.com/angchen-dev/locjndで入手できる。

関連論文リスト

• SG-JND: Semantic-Guided Just Noticeable Distortion Predictor For Image Compression [50.2496399381438]
  JND(Just noticeable distortion)は、人間の視覚系に最小限の知覚力を持つ画像における歪みのしきい値を表す。 従来のJND予測手法はピクセルレベルまたはサブバンドレベルの機能のみに依存している。 本稿では,意味情報を利用してJND予測を行うセマンティックガイド型JNDネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-08T07:14:57Z)
• Recompression Based JPEG Tamper Detection and Localization Using Deep Neural Network Eliminating Compression Factor Dependency [2.8498944632323755]
  本稿では,JPEG画像におけるrepression based forgeryの存在を検出することができる畳み込みニューラルネットワークに基づくディープラーニングアーキテクチャを提案する。 本研究では,リ圧縮機能に基づく画像操作領域のローカライズも目的とする。
  論文  参考訳（メタデータ） (2024-07-03T09:19:35Z)
• The First Comprehensive Dataset with Multiple Distortion Types for Visual Just-Noticeable Differences [40.50003266570956]
  この研究は、106のソースイメージと1,642のJNDマップを含む25の歪みタイプを含む粗いJND選択を伴う一般化されたJNDデータセットを確立する。 クラウドソースされた主観評価を伴うJND候補に対して、詳細なJND選択を行う。
  論文  参考訳（メタデータ） (2023-03-05T03:12:57Z)
• Metaheuristic-based Energy-aware Image Compression for Mobile App Development [1.933681537640272]
  本稿では,人口ベースJPEG画像圧縮のための新しい目的関数を提案する。 第2に,包括的カバレッジの欠如に対処するために,新しい表現を提案する。 第3に、22の最先端および最近導入されたPBMHアルゴリズムに関する包括的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2022-12-13T01:39:47Z)
• Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
  本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。 提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
  論文  参考訳（メタデータ） (2022-04-26T01:35:02Z)
• Towards Top-Down Just Noticeable Difference Estimation of Natural Images [65.14746063298415]
  JNDの推定は、主に空間領域と周波数領域における異なる要因の可視性マスキング効果をモデル化することに焦点を当てている。 この作業では、トップダウンの設計哲学でこれらの問題に対処する、劇的に異なる方法に目を向けます。 提案したJNDモデルは,最新のJNDモデルよりも優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2021-08-11T06:51:50Z)
• Image Splicing Detection, Localization and Attribution via JPEG Primary Quantization Matrix Estimation and Clustering [49.75353434786065]
  画像領域の異なる2つのJPEGアーチファクトの不整合の検出は、しばしば局所的な画像操作を検出するために使用される。 ドナー画像の異なる領域を識別するエンド・ツー・エンドシステムを提案する。
  論文  参考訳（メタデータ） (2021-02-02T11:21:49Z)
• Discernible Image Compression [124.08063151879173]
  本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。 エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。 ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
  論文  参考訳（メタデータ） (2020-02-17T07:35:08Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。