Réduction des Artéfacts de Compression par un Réseau de Convolution Profond

La compression avec perte introduit des artefacts de compression complexes, en particulier les artefacts de blocage, les effets de halo et le flou. Les algorithmes existants se concentrent soit sur l'élimination des artefacts de blocage, produisant une sortie floue, soit sur la restauration d'images plus nettes, mais accompagnées d'effets de halo. Inspirés par les réseaux de neurones convolutifs profonds (DCN) utilisés pour la super-résolution, nous formulons un réseau compact et efficace permettant une atténuation sans couture des différents artefacts de compression. Nous démontrons également qu'un modèle plus profond peut être formé efficacement grâce aux caractéristiques apprises dans un réseau peu profond. En suivant une approche similaire allant du "facile au difficile", nous examinons systématiquement plusieurs configurations pratiques de transfert et montrons l'efficacité du transfert d'apprentissage dans les problèmes de vision bas niveau. Notre méthode présente des performances supérieures à celles des meilleures techniques actuelles, tant sur les jeux de données de référence que dans les cas d'utilisation réels (par exemple, Twitter). De plus, nous montrons que notre méthode peut être appliquée comme prétraitement pour faciliter d'autres routines de vision bas niveau lorsque celles-ci prennent des images compressées en entrée.