基于恰可察觉失真的学习图像压缩感知优化
图像与视频处理
2023-03-09 v2 计算机视觉与模式识别
摘要
近来，由于高效的非线性变换、端到端优化框架等，学习图像压缩方案相比传统混合图像编码在图像保真度（如PSNR和MS-SSIM）上取得了显著改进。然而，极少有方案考虑人类视觉系统（HVS）的恰可察觉失真（JND）特性，并面向感知质量优化学习图像压缩。为解决此问题，提出一种基于JND的感知质量损失。考虑到压缩图像在不同训练轮次、不同量化参数（QP）下的失真量不同，我们设计了失真感知调节器。将二者结合后，可在JND引导下更好地分配压缩图像中的失真以保持高感知质量。所有这些设计使所提方法能够灵活应用于各类学习图像压缩方案，具有高可扩展性与即插即用优势。在Kodak数据集上的实验结果表明，在相同码率下所提方法比基线模型具有更好的感知质量。
引用
@article{arxiv.2302.13092,
title = {JND-Based Perceptual Optimization For Learned Image Compression},
author = {Feng Ding and Jian Jin and Lili Meng and Weisi Lin},
journal= {arXiv preprint arXiv:2302.13092},
year = {2023}
}
备注
5 pages, 5 figures, conference