学习单一模型以处理大范围质量因子的 JPEG 图像伪影去除

有损压缩给压缩图像带来伪影并降低视觉质量。近年来，许多基于卷积神经网络(CNN)的压缩伪影去除方法被提出并取得巨大成功。然而，这些方法通常基于一个特定值或较小范围的质量因子训练模型。显然，若测试图像的质量因子与假设值范围不匹配，则会导致性能下降。受此驱动并进一步考虑实际用途，本文提出了一种高鲁棒性的压缩伪影去除网络。我们提出的网络是一种单一模型方法，可训练用于处理大范围质量因子，同时持续提供优越或可比的图像伪影去除性能。为作展示，我们关注质量因子从 1 到 60 的 JPEG 压缩。需注意，我们提出网络的关键成功在于将量化表作为训练数据一部分的新颖利用。此外，它具有两个并行分支——即恢复分支和全局分支。前者有效去除局部伪影，如振铃伪影去除。另一方面，后者提取整幅图像的全局特征，提供高度有用的图像质量改善，尤其在处理如块效应、色彩偏移等全局伪影上效果显著。在彩色和灰度图像上进行的大量实验结果清楚地证明了我们提出的单模型方法在去除解码图像压缩伪影上的有效性与高效性。