Réseau Auto-Inverse Asymétrique pour le Rééchantillonnage d'Images Conscient de la Compression

Les images à haute résolution (HR) sont généralement réduites à une résolution plus basse (LR) pour une meilleure affichage, puis rehaussées à nouveau à leur taille d'origine afin de récupérer les détails. Les travaux récents en matière de redimensionnement d'images formulent la réduction et le rehaussement comme une tâche unifiée et apprennent une correspondance bijective entre HR et LR via des réseaux inversibles. Cependant, dans les applications du monde réel (par exemple, les médias sociaux), la plupart des images sont compressées pour la transmission. La compression avec perte entraîne une perte d'information irréversible sur les images LR, ce qui endommage la procédure de rehaussement inverse et dégrade la précision de reconstruction. Dans cet article, nous proposons le réseau inversible auto-asymétrique (SAIN) pour un redimensionnement d'images prenant en compte la compression. Pour aborder le décalage de distribution, nous développons d'abord un cadre asymétrique bout-en-bout avec deux correspondances bijectives distinctes pour les images LR de haute qualité et les images LR compressées, respectivement. Ensuite, sur la base d'une analyse empirique de ce cadre, nous modélisons la distribution des informations perdues (y compris la réduction et la compression) en utilisant des mélanges gaussiens isotropes et proposons le bloc inversible amélioré (Enhanced Invertible Block) pour obtenir des images LR de haute qualité/compressées en une seule passe avant. De plus, nous concevons un ensemble de pertes pour régulariser les images LR apprises et renforcer l'inversibilité. Des expériences approfondies montrent les améliorations constantes apportées par SAIN sur divers jeux de données de redimensionnement d'images en termes d'évaluation quantitative et qualitative sous les formats de compression d'images standards (c'est-à-dire JPEG et WebP).