面向自然图像的自上而下恰可察觉差估计
图像与视频处理
2022-05-25 v2 计算机视觉与模式识别
摘要
自然图像的恰可察觉差(JND)是指典型人类视觉系统(HVS)无法感知的最大像素强度变化幅度。现有的 JND 估计工作主要致力于在空域或/和频域中建模多种掩蔽效应,然后将其融合为整体 JND 估计。本文转而采用一种截然不同的自上而下设计思路来解决该问题。所提出的 JND 估计模型不采用自下而上显式建模并融合不同掩蔽效应的方式,而是致力于先预测原始图像的关键感知无损(CPL)对应图像,再计算原始图像与预测 CPL 图像之间的差值图作为 JND 图。我们开展主观实验确定了 500 幅图像的关键点,发现这 500 幅图像在所有关键点处的累积归一化 KLT 系数能量值的分布可由 Weibull 分布很好地刻画。给定测试图像,其对应关键点由简单的加权平均方案确定,其中权重由拟合的 Weibull 分布函数决定。所提 JND 模型的性能通过直接的 JND 预测以及 JND 引导的噪声注入和 JND 引导的图像压缩两个应用进行了显式和隐式评估。实验结果表明,我们的 JND 模型优于几种最新 JND 模型。此外,我们还将所提 JND 模型与现有视觉差异预测器(VDP)指标在失真检测与辨别能力方面进行比较,结果表明我们的 JND 模型在该任务上也有良好表现。
引用
@article{arxiv.2108.05058,
title = {Towards Top-Down Just Noticeable Difference Estimation of Natural Images},
author = {Qiuping Jiang and Zhentao Liu and Shiqi Wang and Feng Shao and Weisi Lin},
journal= {arXiv preprint arXiv:2108.05058},
year = {2022}
}
备注
16 pages, 16 figures