运维开发网

Paper | A Pseudo-Blind Convolutional Neural Network for the Reduction of Compression Artifacts

运维开发网 https://www.qedev.com 2020-07-25 11:03 出处:网络 作者:运维开发网整理
目录 非盲增强网络结构 训练目标 压缩系数预测子网络 网络结构 根据块QP判决结果得到帧QP预测结果 保持时序连续性 实验 发表在2019年TCSVT。 本文提出了一个兼具 预测压缩系数 和 非盲去压缩失真 功能的 伪-盲(pseudo-blind)去压缩失真网络。该网络是在Inception的基础上修改的,并加上了一个 压缩系数预测子网络。 这篇文章的Introduction、相关工作回顾、失真

目录

  • 非盲增强网络结构
  • 训练目标
  • 压缩系数预测子网络
    • 网络结构
    • 根据块QP判决结果得到帧QP预测结果
    • 保持时序连续性
  • 实验

发表在2019年TCSVT。

本文提出了一个兼具 预测压缩系数 和 非盲去压缩失真 功能的 伪-盲(pseudo-blind)去压缩失真网络。该网络是在Inception的基础上修改的,并加上了一个 压缩系数预测子网络。

这篇文章的Introduction、相关工作回顾、失真成因都写得很一般,我们看个方法就好。

值得一提的是,这可能是第一篇尝试“盲”QP增强论文,但是!作者准备了4个增强网络,应对4种预测QP。因此严格意义上不是盲的。

非盲增强网络结构

整体上看:

Paper | A Pseudo-Blind Convolutional Neural Network for the Reduction of Compression Artifacts

局部的Inception module:

Paper | A Pseudo-Blind Convolutional Neural Network for the Reduction of Compression Artifacts

训练目标

最小化\(L_1\)损失。

在HEVC下的4种QP:34、37、42、47训练了4个网络。

压缩系数预测子网络

网络结构

这是一个19层、\(3 \times 3\)卷积的VGG网络,参数量高达5.8M。

根据块QP判决结果得到帧QP预测结果

注意,我们不适用平滑区域的块。原因是:这些块的判决结果非常不稳定,很难反映QP信息。因此我们提取具有丰富纹理的块。

当判断该帧的QP时,我们取 50个 判决结果最悬殊的块 的结果。即分类器置信度最高的前50个块 的结果。然后voting得到最终预测QP。

保持时序连续性

为了保证帧间QP具有一定的连续性,作者考虑了软判决。具体策略看论文。

最终大网络就是这个样子,很简单都不需要多解释:

Paper | A Pseudo-Blind Convolutional Neural Network for the Reduction of Compression Artifacts

实验

我们只看分类器的准确率:

Paper | A Pseudo-Blind Convolutional Neural Network for the Reduction of Compression Artifacts

扫码领视频副本.gif

0

精彩评论

暂无评论...
验证码 换一张
取 消

关注公众号