Implizites Dual-Domänen-Faltungsnetzwerk für robuste Farbbildkompression-Artefaktreduzierung

Mehrere Methoden basierend auf Dual-Domain Convolutional Neural Networks (CNNs) zeigen eine herausragende Leistung bei der Reduzierung von Kompressionsartefakten in Bildern. Allerdings haben diese Methoden Schwierigkeiten bei der Verarbeitung von Farbbildern, da die Kompressionsprozesse für Graustufen- und Farbbilder vollständig unterschiedlich sind. Darüber hinaus trainieren diese Methoden ein spezifisches Modell für jede Kompressionsqualität und erfordern mehrere Modelle, um verschiedene Kompressionsqualitäten zu erreichen. Um diese Probleme zu lösen, schlugen wir ein implizites Dual-Domain Convolutional Network (IDCN) vor, das die Pixelpositionskennkarte und die Quantisierungstabellen als Eingaben verwendet. Insbesondere entwickelten wir einen Extractor-Corrector-Framework-basierten Dual-Domain Korrekturblock (DCU) als grundlegendes Element zur Formulierung des IDCN. Ein Dichteblock wurde eingeführt, um die Leistung des Extractors im DRU zu verbessern. Die implizite Dual-Domain-Übersetzung ermöglicht es dem IDCN, Farbbilder mit den Vorfaktoren des diskreten Kosinustransforms (DCT)-Bereichs zu verarbeiten. Eine flexible Version des IDCN (IDCN-f) wurde entwickelt, um eine breite Palette von Kompressionsqualitäten zu bewältigen. Experimente zur objektiven und subjektiven Bewertung auf Standarddatensätzen zeigen, dass das IDCN den aktuellen Stand der Technik übertrifft und das IDCN-f ausgezeichnete Fähigkeiten zur Bewältigung einer breiten Palette von Kompressionsqualitäten unter geringem Leistungsverlust aufweist und großes Potenzial für praktische Anwendungen bietet.