深度机器视觉的恰可察觉差分
计算机视觉与模式识别
2022-01-10 v2 图像与视频处理
摘要
作为人类视觉系统（HVS）的重要感知特征，恰可察觉差分（JND）已在图像和视频处理（例如感知视觉信号压缩）方面被研究数十年。然而，尽管深度机器视觉（DMV）已在许多机器视觉任务中取得重大进展，关于DMV是否存在JND却鲜有探索。在本文中，我们进行了初步尝试，并证明了DMV具有JND，称之为DMV-JND。然后我们针对DMV中的图像分类任务提出了一种JND模型。研究发现，通过所提出的DMV-JND-NET进行无监督学习生成JND，DMV能够容忍平均PSNR仅为9.56dB（越低越好）的失真图像。特别地，设计了一种语义引导的冗余评估策略来约束DMV-JND的幅值和空间分布。图像分类上的实验结果表明，我们成功找到了深度机器视觉的JND。我们的DMV-JND为面向DMV的图像和视频压缩、水印、质量评估、深度神经网络安全等提供了一个可能的方向。
引用
@article{arxiv.2102.08168,
title = {Just Noticeable Difference for Deep Machine Vision},
author = {Jian Jin and Xingxing Zhang and Xin Fu and Huan Zhang and Weisi Lin and Jian Lou and Yao Zhao},
journal= {arXiv preprint arXiv:2102.08168},
year = {2022}
}