.png){kind=icon}
返回
Rate-Distortion-Optimized Deep Preprocessing for JPEG Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3550872.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
JPEG在日常用于压缩自然图像，但压缩后的图像通常包含视觉上令人烦恼的失真，尤其是在低码率下。为了减少压缩失真，有人提出借助深度学习在JPEG压缩前对图像进行预处理，同时保持标准兼容性。然而，现有方法并未从码率-失真优化的角度得到充分论证。我们解决了这一局限性，提出了一种真正基于码率-失真优化的深度预处理方法用于JPEG压缩。我们将码率-失真代价分解为三部分：码率、失真和拉格朗日乘数。首先，我们设计了一个码率估计网络，并提出训练该网络以估计JPEG压缩码率。其次，我们提出使用可微分的JPEG模拟器来估计实际的端到端失真（原始图像与重建图像之间），其中我们专门设计了一个自适应离散余弦变换（DCT）域掩模算法。第三，我们提出估计实际内容相关的拉格朗日乘数，以将码率和失真结合到联合损失函数中，驱动预处理网络的训练。我们的方法不对JPEG编码器和解码器做任何改动，并支持任何可微分的失真度量（如MSE、MS-SSIM、LPIPS）。在Kodak数据集上，当使用MSE时，我们的方法相较于JPEG基线平均实现了7.59%的BD-rate降低。通过针对LPIPS进行逐图优化，我们的方法实现了高达38.65%的BD-rate降低，并生成了高质量、失真大幅减少的重建图像。
Keyword:
Deep learning
image compression
JPEG
preprocessing
rate-distortion optimization
期刊
IF:
11.1
论文数:
869
被引数:
3.1W
机构
引用论文
.png){kind=icon}
Implicit Dual-Domain Convolutional Network for Robust Color Image Compression Artifact Reduction
OAAI
OAAI分享收藏
分享收藏
查看更多内容