論文の概要: All-in-One Image Compression and Restoration

• arxiv url: http://arxiv.org/abs/2502.03649v1
• Date: Wed, 05 Feb 2025 22:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:32:47.010141
• Title: All-in-One Image Compression and Restoration
• Title（参考訳）: オールインワン画像圧縮と再生
• Authors: Huimin Zeng, Jiacheng Li, Ziqiang Zheng, Zhiwei Xiong,
• Abstract要約: 我々はオールインワン画像の圧縮と復元のための統一的なフレームワークを提案する。 様々な劣化に対する画像復元機能を画像圧縮のプロセスに組み込む。
• 参考スコア（独自算出の注目度）: 55.25638059492943
• License:
• Abstract: Visual images corrupted by various types and levels of degradations are commonly encountered in practical image compression. However, most existing image compression methods are tailored for clean images, therefore struggling to achieve satisfying results on these images. Joint compression and restoration methods typically focus on a single type of degradation and fail to address a variety of degradations in practice. To this end, we propose a unified framework for all-in-one image compression and restoration, which incorporates the image restoration capability against various degradations into the process of image compression. The key challenges involve distinguishing authentic image content from degradations, and flexibly eliminating various degradations without prior knowledge. Specifically, the proposed framework approaches these challenges from two perspectives: i.e., content information aggregation, and degradation representation aggregation. Extensive experiments demonstrate the following merits of our model: 1) superior rate-distortion (RD) performance on various degraded inputs while preserving the performance on clean data; 2) strong generalization ability to real-world and unseen scenarios; 3) higher computing efficiency over compared methods. Our code is available at https://github.com/ZeldaM1/All-in-one.
• Abstract（参考訳）: 様々な種類の画像や劣化レベルによって劣化した視覚画像は、実用的な画像圧縮においてよく見られる。 しかし,既存の画像圧縮手法の多くはクリーンな画像に最適化されているため,これらの画像に対して満足な結果を得るのに苦労している。 共同圧縮法と復元法は一般的に単一の種類の劣化に焦点を合わせ、実際には様々な劣化に対処できない。 そこで本稿では,画像圧縮のプロセスに画像復元機能を組み込んだオールインワン画像圧縮再生のための統合フレームワークを提案する。 主な課題は、実際の画像内容と劣化を区別し、事前の知識なしに様々な劣化を柔軟に除去することである。 具体的には、提案フレームワークは、コンテンツ情報集約と劣化表現集約という2つの視点からこれらの課題にアプローチする。 大規模な実験では、以下の利点が示されています。 1) 清潔なデータにおける性能を維持しつつ、各種劣化した入力に対して優れたレート歪み(RD)性能を有すること。 2 現実世界及び目に見えないシナリオに対する強力な一般化能力 3)比較法よりも計算効率が高い。 私たちのコードはhttps://github.com/ZeldaM1/All-in-one.comで利用可能です。

関連論文リスト

• Lossless Image Compression Using Multi-level Dictionaries: Binary Images [2.2940141855172036]
  画像の保存や伝送コストを削減するために、さまざまなアプリケーションにおいてロスレス画像圧縮が必要である。 カラー画像の圧縮性は、本質的には空間構造におけるパターンから導かれるものであると論じる。 提案手法はまず,バイナリ画像のデータセットから16時間16ドル,8時間8ドル,4時間4ドル,2時間2平方ピクセルパターンの辞書を学習する。
  論文  参考訳（メタデータ） (2024-06-05T09:24:10Z)
• PromptIR: Prompting for All-in-One Blind Image Restoration [64.02374293256001]
  我々は、オールインワン画像復元のためのプロンプトIR(PromptIR)を提案する。 本手法では, 劣化特異的情報をエンコードするプロンプトを用いて, 復元ネットワークを動的に案内する。 PromptIRは、軽量なプロンプトがほとんどない汎用的で効率的なプラグインモジュールを提供する。
  論文  参考訳（メタデータ） (2023-06-22T17:59:52Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Swin2SR: SwinV2 Transformer for Compressed Image Super-Resolution and Restoration [71.6879432974126]
  本稿では,画像超解像のためのSwinIRの改良を目的とした小説Swin Transformer V2について検討する。 JPEG圧縮アーティファクトの除去,画像超解像(古典的および軽量),圧縮画像超解像の3つの代表的な課題について実験を行った。 実験の結果,Swin2SRはSwinIRのトレーニング収束と性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-09-22T23:25:08Z)
• Perceptual Quality Assessment for Fine-Grained Compressed Images [38.615746092795625]
  そこで本研究では,精細レベルの圧縮画像に対するフル参照画像品質評価(FR-IQA)手法を提案する。 提案手法は,FGIQAデータベース上での圧縮画像品質評価(FGIQA)により検証される。
  論文  参考訳（メタデータ） (2022-06-08T12:56:45Z)
• Differentiable Microscopy for Content and Task Aware Compressive Fluorescence Imaging [0.0]
  スループットと画質のトレードオフは、顕微鏡に固有の課題である。 ディープラーニングに基づく手法は、圧縮と画質において大きな成功を収めた。 本稿では, 可微分圧縮蛍光顕微鏡を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:53:10Z)
• Learning a Single Model with a Wide Range of Quality Factors for JPEG Image Artifacts Removal [24.25688335628976]
  ロスシー圧縮は、圧縮された画像にアーティファクトをもたらし、視覚的品質を低下させる。 本稿では,高度に堅牢な圧縮アーティファクト除去ネットワークを提案する。 提案するネットワークは,幅広い品質要因を扱うためにトレーニング可能な単一モデルアプローチである。
  論文  参考訳（メタデータ） (2020-09-15T08:16:58Z)
• Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images [54.40852143927333]
  ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。 圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。 提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
  論文  参考訳（メタデータ） (2020-06-30T07:38:47Z)
• Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
  まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。 本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。 エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
  論文  参考訳（メタデータ） (2020-02-10T13:13:43Z)

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。