面向图像压缩伪影去除的灵敏度解耦学习
计算机视觉与模式识别
2024-05-16 v1 人工智能
图像与视频处理
摘要
深度学习技术的应用使图像压缩伪影去除取得了显著进展。尽管已取得改进性能，但现有方法仅关注从压缩图像映射到原始图像，忽略了给定压缩图像的内在属性，这严重损害下游解析任务的性能。与这些方法不同，我们提出将内在属性解耦为两个互补特征：压缩不敏感特征用于正规化训练期间的高层语义表示，压缩敏感特征则具备对压缩程度的感知能力。为实现此目标，我们首先采用对抗训练对压缩与原始编码特征进行正规化，以保留高层语义；随后开发压缩质量感知特征编码器以获取压缩敏感特征。基于这些双互补特征，我们提出双感知引导网络（DAGN），将这些感知特征作为解码阶段的变换引导。我们在 DAGN 中开发了交叉特征融合模块，通过将压缩不敏感特征融入压缩伪影去除基线，维持压缩不敏感特征的一致性。我们的方法在 BSD500 上实现平均 2.06 dB PSNR 提升，超越最新方法，仅需 29.7 ms 处理一张 BSD500 图像。此外，LIVE1 和 LIU4K 上的实验结果表明，该方法在定量指标、视觉质量和下游机器视觉任务方面均表现出效率、有效性与优越性。
引用
@article{arxiv.2405.09291,
title = {Sensitivity Decouple Learning for Image Compression Artifacts Reduction},
author = {Li Ma and Yifan Zhao and Peixi Peng and Yonghong Tian},
journal= {arXiv preprint arXiv:2405.09291},
year = {2024}
}
备注
Accepted by Transactions on Image Processing