.png){kind=icon}
返回
JPEG AI image compression visual artifacts: detection methods and dataset
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-026-02587-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于学习的方法在图像压缩方面已经超越了传统编解码器。然而，尽管在整体效率上有所提升，基于神经网络的编解码器仍可能在单幅图像上产生局部感知失真。我们提出了一系列方法来检测神经图像压缩中三种最常见的失真类型：纹理或边界退化、颜色变化和文字损坏。所提出的方法能够定位神经压缩图像中受失真影响的区域，并量化其强度。我们仅考虑由神经网络编解码器失真但由传统编解码器在相同码率下正确重建的区域。利用这些方法，我们首先通过处理来自Open Images数据集的大约35万张独特图像，收集了JPEG AI参考软件及其早期未发表版本相对于H.265参考软件HM-18.0的失真。由于神经失真遵循常见模式，我们将相同协议应用于另外五种学习编解码器（Cheng 2020、EVC、ELIC、STF、QRes-VAE），从而验证所提出的检测流程不仅适用于JPEG AI。最终数据集共包含50,370个通过众包主观评估验证的失真。结果表明，神经网络编解码器引入的局部失真与经典压缩失真性质不同，且这些失真通常未被标准全参考图像质量指标充分捕捉。相比之下，所提出的面向失真的方法能够更可靠地检测这些失效情况。所提出的包含神经压缩失真的图像数据集以及检测方法可用于分析、调试和改进未来的神经图像压缩方法。我们已在https://github.com/msu-video-group/jpeg-ai-artifacts发布了所提出方法的源代码和部分数据集。
Keyword:
Neural image compression
JPEG AI
Artifacts
Quality assessment methods
Subjective validation
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
.png){kind=icon}
A new image quality assessment method to detect and measure strength of blocking artifacts一种新的检测和测量块效应强度的图像质量评价方法
PREAI
分享收藏
查看更多内容