深度学习中 JPEG 压缩缺陷的分析与缓解
计算机视觉与模式识别
2021-09-21 v2 机器学习
摘要
随着深度学习方法的普及，许多过去被视为学术研究的计算机视觉问题如今在消费级场景中已具备可行性。消费级应用的一个缺点是有损压缩，但从工程角度来看，为了高效且低成本地存储和传输用户图像，有损压缩是必不可少的。尽管如此，关于压缩对深度神经网络影响的研究仍然很少，且基准数据集通常采用无损压缩或高质量压缩。本文对 JPEG 压缩在一系列常见任务和数据集上的影响进行了统一研究。我们表明，高压缩率会对常见性能指标造成显著惩罚。我们测试了多种缓解该惩罚的方法，包括一种基于伪影校正且无需标签即可训练的新颖方法。
引用
@article{arxiv.2011.08932,
title = {Analyzing and Mitigating JPEG Compression Defects in Deep Learning},
author = {Max Ehrlich and Larry Davis and Ser-Nam Lim and Abhinav Shrivastava},
journal= {arXiv preprint arXiv:2011.08932},
year = {2021}
}
备注
Accepted to the ICCV MELEX Workshop