論文の概要: Restoration of the JPEG Maximum Lossy Compressed Face Images with
Hourglass Block based on Early Stopping Discriminator
- arxiv url: http://arxiv.org/abs/2306.12757v1
- Date: Thu, 22 Jun 2023 09:21:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 14:55:22.192571
- Title: Restoration of the JPEG Maximum Lossy Compressed Face Images with
Hourglass Block based on Early Stopping Discriminator
- Title（参考訳）: 早期停止判別器を用いた1時間ガラスブロックによるJPEG最大損失圧縮顔画像の復元
- Authors: Jongwook Si and Sungyoung Kim
- Abstract要約: 本稿では,GAN-based net-work法による最大圧縮により大きな損失を被ったJPEG画像の復元について述べる。
このネットワークは、自然と高性能の画像を生成するために、LFロスとHFロスという2つの損失関数を組み込んでいる。
その結果,圧縮画像のブロックフェノメノンが除去され,識別可能なアイデンティティが生成されることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: When a JPEG image is compressed using the loss compression method with a high
compression rate, a blocking phenomenon can occur in the image, making it
necessary to restore the image to its original quality. In particular,
restoring compressed images that are unrecognizable presents an innovative
challenge. Therefore, this paper aims to address the restoration of JPEG images
that have suffered significant loss due to maximum compression using a
GAN-based net-work method. The generator in this network is based on the U-Net
architecture and features a newly presented hourglass structure that can
preserve the charac-teristics of deep layers. Additionally, the network
incorporates two loss functions, LF Loss and HF Loss, to generate natural and
high-performance images. HF Loss uses a pretrained VGG-16 network and is
configured using a specific layer that best represents features, which can
enhance performance for the high-frequency region. LF Loss, on the other hand,
is used to handle the low-frequency region. These two loss functions facilitate
the generation of images by the generator that can deceive the discriminator
while accurately generating both high and low-frequency regions. The results
show that the blocking phe-nomenon in lost compressed images was removed, and
recognizable identities were generated. This study represents a significant
improvement over previous research in terms of image restoration performance.
- Abstract（参考訳）: 圧縮率の高い損失圧縮法を用いてjpeg画像が圧縮されると、画像中にブロッキング現象が発生し、元の画質に復元する必要がある。
特に、認識できない圧縮画像の復元は革新的な課題である。
そこで本稿は,GANを用いたネットワーク手法を用いて,最大圧縮により大きな損失を被ったJPEG画像の復元を実現することを目的とする。
このネットワークのジェネレータはU-Netアーキテクチャに基づいており、深い層の構造を保存できる新しい時計構造を備えている。
さらに、lfロスとhfロスという2つの損失関数を組み込んで、自然画像と高性能画像を生成する。
HF Lossはトレーニング済みのVGG-16ネットワークを使用しており、特徴を最もよく表す特定の層を使用して構成されている。
一方、LF損失は低周波領域の処理に使用される。
これら2つの損失関数は、高周波数領域と低周波数領域の両方を精度良く生成しながら、判別器を欺くことができるジェネレータによる画像の生成を促進する。
その結果, 圧縮画像のブロックフェノメノンが除去され, 識別可能なアイデンティティが生成されることがわかった。
本研究は, 画像復元性能の観点から, これまでの研究よりも大幅に向上したことを示す。
関連論文リスト
- Study of the gOMP Algorithm for Recovery of Compressed Sensed
Hyperspectral Images [0.0]
本研究は,圧縮前のデータスペーシフィケーション前処理段階について検討し,画素のスペーシビリティを保証する。
画像画素は厳密にはスパースではないため、圧縮前のデータスペース化前処理段階を研究し、画素のスペース性を保証する。
論文 参考訳（メタデータ） (2024-01-26T11:20:11Z) - Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。
我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。
実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
論文 参考訳（メタデータ） (2024-01-25T08:11:27Z) - Learned Lossless Compression for JPEG via Frequency-Domain Prediction [50.20577108662153]
JPEG画像のロスレス圧縮を学習するための新しいフレームワークを提案する。
周波数領域での学習を可能にするために、DCT係数は暗黙の局所冗長性を利用するためにグループに分割される。
グループ化されたDCT係数のエントロピーモデリングを実現するために、重み付きブロックに基づいてオートエンコーダのようなアーキテクチャを設計する。
論文 参考訳（メタデータ） (2023-03-05T13:15:28Z) - Improving Multi-generation Robustness of Learned Image Compression [16.86614420872084]
ネットワーク構造を変更せずに50回再符号化しても,BPGの最初の圧縮に匹敵する性能が得られることを示す。
論文 参考訳（メタデータ） (2022-10-31T03:26:11Z) - Convolutional Neural Network (CNN) to reduce construction loss in JPEG
compression caused by Discrete Fourier Transform (DFT) [0.0]
畳み込みニューラルネットワーク(CNN)は他の多くのディープニューラルネットワークよりも注目されている。
本研究では,オートエンコーダを用いた効率的な画像圧縮手法を提案する。
論文 参考訳（メタデータ） (2022-08-26T12:46:16Z) - Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。
本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。
我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
論文 参考訳（メタデータ） (2022-02-09T18:48:02Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Training a Better Loss Function for Image Restoration [17.20936270604533]
単一画像のスーパーレゾリューションで最先端の損失関数を上回る軽量な特徴抽出器を訓練するには,単一の自然画像だけで十分であることを示す。
発電機が導入した誤差を罰するように訓練された一連の識別器からなる新しいマルチスケール識別特徴(MDF)損失を提案する。
論文 参考訳（メタデータ） (2021-03-26T17:29:57Z) - Learning Better Lossless Compression Using Lossy Compression [100.50156325096611]
我々は、ロスレス画像圧縮システムを構築するために、強力なロスレス画像圧縮アルゴリズムであるBPGを利用する。
我々は,BPG再構成を条件とした畳み込みニューラルネットワークに基づく確率モデルを用いて,残差分布をモデル化する。
そして、この画像は、BPGが生成したビットストリームと学習した残留コーダの連結を用いて保存される。
論文 参考訳（メタデータ） (2020-03-23T11:21:52Z) - Blur, Noise, and Compression Robust Generative Adversarial Networks [85.68632778835253]
劣化画像から直接クリーンな画像生成装置を学習するために, ぼかし, ノイズ, 圧縮堅牢なGAN(BNCR-GAN)を提案する。
NR-GANにインスパイアされたBNCR-GANは、画像、ぼやけたカーネル、ノイズ、品質要素ジェネレータで構成される多重ジェネレータモデルを使用する。
CIFAR-10の大規模比較とFFHQの一般性解析によるBNCR-GANの有効性を実証する。
論文 参考訳（メタデータ） (2020-03-17T17:56:22Z)
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。