Kompressionsartefakte-Reduktion durch ein tiefes Faltungsnetzwerk

Verlustige Kompression führt zu komplexen Kompressionsartefakten, insbesondere Blockartefakten, Ringing-Effekten und Verschleierung. Bestehende Algorithmen konzentrieren sich entweder auf die Entfernung von Blockartefakten und erzeugen dabei verschwommene Ausgaben, oder sie restaurieren schärfere Bilder, die jedoch mit Ringing-Effekten einhergehen. Inspiriert durch die tiefen Faltungsnetze (DCN) im Bereich der Super-Resolution, formulieren wir ein kompaktes und effizientes Netzwerk zur nahtlosen Dämpfung verschiedener Kompressionsartefakte. Wir zeigen außerdem, dass ein tieferes Modell effektiv mit den in einem flachen Netzwerk gelernten Merkmalen trainiert werden kann. Im Einklang mit dem Prinzip "von einfach zu schwierig" untersuchen wir systematisch mehrere praktische Transfer-Szenarien und demonstrieren die Effektivität des Transfer-Learnings bei Problemen der niedrigstufigen Bildverarbeitung. Unsere Methode zeigt eine überlegene Leistung im Vergleich zu den aktuellen Stand der Technik sowohl auf Benchmark-Datensätzen als auch in realen Anwendungsfällen (z.B. Twitter). Darüber hinaus zeigen wir, dass unsere Methode als Vorverarbeitung eingesetzt werden kann, um andere niedrigstufige Bildverarbeitungsprozeduren zu erleichtern, wenn diese komprimierte Bilder als Eingabe erhalten.