联合压缩伪影去除与超分辨率提升高层视觉任务性能
计算机视觉与模式识别
2020-12-21 v2 多媒体
图像与视频处理
摘要
由于带宽和存储空间的局限,数字图像在网络传输时通常被下采样和压缩,导致细节丢失和刺眼伪影,从而降低高层视觉任务的性能。在本文中,我们旨在通过探索联合压缩伪影去除(CAR)与超分辨率(SR)任务,从任意质量因子压缩的低分辨率图像生成无伪影的高分辨率图像。首先,我们提出一个上下文感知的联合CAR与SR神经网络(CAJNN),它整合局部与非局部特征,以单阶段解决CAR和SR。最后,采用深度重建网络预测高质量高分辨率图像。在CAR和SR基准数据集上的评估表明,我们的CAJNN模型优于先前方法,且运行时间缩短26.2%。基于该模型,我们探索解决高层计算机视觉中的两个关键挑战:低分辨率文本的光学字符识别,以及极小人脸检测。我们证明CAJNN可作为有效的图像预处理方法,并将真实场景文本识别准确率(从85.30%到85.75%)和极小人脸检测平均精度(从0.317到0.611)予以提升。
引用
@article{arxiv.2010.08919,
title = {Boosting High-Level Vision with Joint Compression Artifacts Reduction and Super-Resolution},
author = {Xiaoyu Xiang and Qian Lin and Jan P. Allebach},
journal= {arXiv preprint arXiv:2010.08919},
year = {2020}
}
备注
8 pages, 6 figures, 5 tables. Accepted by the 25th ICPR (2020)