面向灵活盲 JPEG 伪影去除
图像与视频处理
2021-09-30 v1 计算机视觉与模式识别
摘要
训练单一深度盲模型以处理不同质量因子的 JPEG 图像伪影去除，因其实际使用的便利性而备受关注。然而，现有深度盲方法通常直接重建图像而不预测质量因子，因而缺乏像非盲方法那样控制输出的灵活性。为弥补该问题，本文提出一种灵活的盲卷积神经网络，即 FBCNN，其可预测可调质量因子以控制伪影去除与细节保留之间的权衡。具体而言，FBCNN 通过解耦模块将质量因子从 JPEG 图像中解耦，随后通过质量因子注意力块将预测的质量因子嵌入后续的重建模块以实现灵活控制。此外，我们发现现有方法在非对齐双重 JPEG 图像上即使仅有一像素偏移也易失效，因而提出一种双重 JPEG 退化模型来扩充训练数据。在单张 JPEG 图像、更通用的双重 JPEG 图像以及真实世界 JPEG 图像上的大量实验表明，我们所提出的 FBCNN 在定量指标与视觉质量方面均优于最先进的方法。
引用
@article{arxiv.2109.14573,
title = {Towards Flexible Blind JPEG Artifacts Removal},
author = {Jiaxi Jiang and Kai Zhang and Radu Timofte},
journal= {arXiv preprint arXiv:2109.14573},
year = {2021}
}
备注
Accepted by ICCV 2021, Code: https://github.com/jiaxi-jiang/FBCNN