CAS-CNN：一种用于图像压缩伪影抑制的深度卷积神经网络
计算机视觉与模式识别
2018-01-30 v1 人工智能
图形学
信息检索
多媒体
摘要
有损图像压缩算法被广泛用于减小通过网络传输和记录在数据存储介质上的图像大小。然而，我们为其高压缩率付出的代价是降低用户体验的视觉伪影。深度卷积神经网络已成为成功解决高级计算机视觉任务的普遍工具。最近，它们已进入低级计算机视觉和图像处理领域，主要用相对较浅的网络解决回归问题。我们提出了一种新颖的 12 层深度卷积网络，用于图像压缩伪影抑制，该网络具有分层跳跃连接和多尺度损失函数。与普通 JPEG 相比，我们实现了高达 1.79 dB 的 PSNR 提升，与之前最佳的 ConvNet 结果相比，提升了高达 0.36 dB。我们证明，针对特定质量因子（QF）训练的网络对用于压缩输入图像的 QF 具有弹性——一个针对 QF 60 训练的单一网络在从 40 到 76 的宽 QF 范围内提供了超过 1.5 dB 的 PSNR 增益。
引用
@article{arxiv.1611.07233,
title = {CAS-CNN: A Deep Convolutional Neural Network for Image Compression Artifact Suppression},
author = {Lukas Cavigelli and Pascal Hager and Luca Benini},
journal= {arXiv preprint arXiv:1611.07233},
year = {2018}
}
备注
8 pages