CISRDCNN：使用深度卷积神经网络的压缩图像超分辨率
计算机视觉与模式识别
2017-09-20 v1
摘要
近年来，针对图像超分辨率（SR）开展了大量研究。然而据我们所知，鲜有 SR 方法关注压缩图像。由于复杂的压缩伪影，压缩图像的 SR 是一项具有挑战性的任务，而实践中许多图像都受此影响。针对这一困难任务的直观解决方案是将其解耦为两个顺序但独立的子问题，即压缩伪影减少（CAR）和 SR。然而，在 CAR 阶段可能会去除一些有用的细节，这与 SR 的目标相悖，并使 SR 阶段更具挑战性。本文设计了一种端到端可训练的深度卷积神经网络来执行压缩图像的 SR（CISRDCNN），该网络联合减少压缩伪影并提升图像分辨率。在由 JPEG 生成的压缩图像（本文以 JPEG 为例）上的实验表明，所提出的 CISRDCNN 在常用测试图像和图像集上产生了 SOTA 的 SR 性能。CISRDCNN 在真实低质量网络图像上的结果同样令人印象深刻，具有明显的质量增强。此外，我们探索了所提出的 SR 方法在低比特率图像编码中的应用，获得了优于 JPEG 的率失真性能。
引用
@article{arxiv.1709.06229,
title = {CISRDCNN: Super-resolution of compressed images using deep convolutional neural networks},
author = {Honggang Chen and Xiaohai He and Chao Ren and Linbo Qing and Qizhi Teng},
journal= {arXiv preprint arXiv:1709.06229},
year = {2017}
}
备注
32 pages, 17 figures, 5 tables, preprint submitted to Neurocomputing