深度生成对抗压缩伪影去除
计算机视觉与模式识别
2017-12-07 v3
摘要
每当应用有损压缩算法时，图像中就会出现压缩伪影。这些伪影消除了原始图像中存在的细节，或添加噪声和小结构；由于这些影响，它们使图像对人眼不太愉悦，并且可能导致计算机视觉算法（如物体检测器）性能下降。为消除此类伪影，在解压缩图像时，需要从受损版本恢复原始图像。为此，我们提出一个使用前馈全卷积残差网络模型并采用生成对抗框架训练的模型。作为基线，我们展示我们的模型也可以优化结构相似性（SSIM）进行训练，相对于更简单的均方误差（MSE）它是一种更好的损失。我们的GAN能够产生比基于MSE或SSIM的网络更具照片真实感的细节。此外，我们展示当图像被压缩退化到最先进检测器失败的程度时，我们的方法可用作物体检测的预处理步骤。在此任务中，我们的GAN方法获得比MSE或SSIM训练的网络更好的性能。
引用
@article{arxiv.1704.02518,
title = {Deep Generative Adversarial Compression Artifact Removal},
author = {Leonardo Galteri and Lorenzo Seidenari and Marco Bertini and Alberto Del Bimbo},
journal= {arXiv preprint arXiv:1704.02518},
year = {2017}
}
备注
ICCV 2017 Camera Ready + Acknowledgements