암시적 이중 영역 합성곱 네트워크를 이용한 강건한 컬러 이미지 압축 아티팩트 감소

여러 이중 영역 합성 신경망 기반 방법들이 이미지 압축 아티팩트를 줄이는 데에서 뛰어난 성능을 보여주고 있습니다. 그러나 그들은 회색조 이미지와 컬러 이미지의 압축 과정이 완전히 다르기 때문에 컬러 이미지를 처리하는 데 어려움을 겪습니다. 또한 이러한 방법들은 각각의 압축 품질에 대해 특정 모델을 학습하며, 다양한 압축 품질을 달성하기 위해서는 여러 모델이 필요합니다. 이러한 문제들을 해결하기 위해, 우리는 픽셀 위치 라벨링 맵과 양자화 표를 입력으로 사용하는 내재적 이중 영역 합성 네트워크 (IDCN)를 제안하였습니다. 구체적으로, 추출기-교정기 프레임워크 기반의 이중 영역 교정 유닛 (DCU)를 기본 구성 요소로 설계하였습니다. DRU에서 추출기의 성능을 개선하기 위해 밀집 블록이 도입되었습니다. 내재적 이중 영역 변환은 IDCN이 이산 코사인 변환 (DCT)-영역 사전 정보를 활용하여 컬러 이미지를 처리할 수 있도록 합니다. IDCN의 유연한 버전인 IDCN-f는 다양한 압축 품질 범위를 처리하면서 성능 저하가 거의 없는 우수한 능력을 보여주며, 실제 응용 분야에서 큰 잠재력을 가지고 있음을 입증하였습니다. 벤치마크 데이터셋에 대한 객관적 및 주관적 평가 실험 결과, IDCN는 최신 방법들보다 우수하며, IDCN-f는 다양한 압축 품질 범위를 효과적으로 처리할 수 있는 것으로 나타났습니다.