基于深度学习的 JPEG 压缩图像边缘感知前处理与后处理方法
图像与视频处理
2023-11-03 v2 计算机视觉与模式识别
机器学习
摘要
我们提出了一种基于学习的压缩方案，其在标准编解码器外围包裹了前处理与后处理的深度 CNN。具体而言，我们通过引入以下改进展示了相较先前利用压缩-解压缩网络方法的提升：(a) 一种边缘感知损失函数，用以防止先前工作中常见的模糊现象；(b) 一种用于后处理的超分辨率卷积神经网络（CNN）以及相应的前处理网络，以在低码率区间获得改进的率失真性能。该算法在从低到高分辨率多种数据集上进行了评估，即 Set 5、Set 7、Classic 5、Set 14、Live 1、Kodak、General 100、CLIC 2019。与 JPEG、JPEG2000、BPG 及近期 CNN 方法相比，所提算法在 PSNR 上贡献了显著提升，在低码率与高码率下分别约有 20.75%、8.47%、3.22%、3.23% 以及 24.59%、14.46%、10.14%、8.57% 的增益。类似地，其在 MS-SSIM 上的改进在低码率与高码率下分别约为 71.43%、50%、36.36%、23.08%、64.70% 和 64.47%、61.29%、47.06%、51.52%、16.28%。在 CLIC 2019 数据集上，相较于 JPEG2000、BPG 及近期 CNN 方法，PSNR 在低码率与高码率下分别约有 16.67%、10.53%、6.78% 以及 24.62%、17.39%、14.08% 的优势。类似地，MS-SSIM 在低码率与高码率下分别约有 72%、45.45%、39.13%、18.52% 以及 71.43%、50%、41.18%、17.07% 的优势，优于上述同类方法。在其他数据集上也取得了类似程度的改进。
引用
@article{arxiv.2104.04926,
title = {Deep learning-based Edge-aware pre and post-processing methods for JPEG compressed images},
author = {Dipti Mishra and Satish Kumar Singh and Rajat Kumar Singh},
journal= {arXiv preprint arXiv:2104.04926},
year = {2023}
}
备注
13 pages, 9 figures, 16 tables