提前退出与否：面向压缩图像的资源高效盲质量增强
图像与视频处理
2020-10-13 v5 计算机视觉与模式识别
摘要
有损图像压缩被广泛用于节省通信带宽，但会导致不良的压缩伪影。近年来，人们提出了大量方法在解码端减少图像压缩伪影；然而，这些方法需要一系列结构相同的模型来处理不同质量的图像，效率低下且耗费资源。此外，实践中压缩图像质量未知的情况十分常见，现有方法难以选择合适的模型进行盲质量增强。本文提出一种面向压缩图像的资源高效盲质量增强（RBQE）方法。具体而言，我们的方法通过嵌入早退策略的动态深度神经网络（DNN）对压缩图像质量进行盲式渐进增强。随后，该方法可根据增强后图像的评估质量自动决定终止或继续增强。因此，轻微伪影可在更简单快速的过程中被去除，而严重伪影则可在更精细的过程中被进一步去除。大量实验表明，我们的 RBQE 方法在盲质量增强与资源效率两方面均达到最先进的性能。代码见 https://github.com/RyanXingQL/RBQE。
引用
@article{arxiv.2006.16581,
title = {Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images},
author = {Qunliang Xing and Mai Xu and Tianyi Li and Zhenyu Guan},
journal= {arXiv preprint arXiv:2006.16581},
year = {2020}
}
备注
Accepted by ECCV 2020. v5 updates: enlarge character size; correct titlerunning; add publishment reference; add open-sourced url