Redução de Artefatos de Compressão por uma Rede Neural Convolucional Profunda

A compressão com perda introduz artefatos de compressão complexos, particularmente artefatos de bloqueio, efeitos de anel e desfoque. Os algoritmos existentes ou se concentram em remover artefatos de bloqueio e produzem uma saída desfocada, ou restauram imagens nítidas que são acompanhadas de efeitos de anel. Inspirados pelas redes neurais convolucionais profundas (DCN) em super-resolução, formulamos uma rede compacta e eficiente para atenuação contínua de diferentes artefatos de compressão. Também demonstramos que um modelo mais profundo pode ser efetivamente treinado com as características aprendidas em uma rede rasa. Seguindo uma ideia semelhante de "fácil para difícil", investigamos sistematicamente várias configurações de transferência prática e mostramos a eficácia do aprendizado por transferência em problemas de visão de baixo nível. Nosso método mostra desempenho superior em relação aos melhores do mercado, tanto em conjuntos de dados de referência quanto em casos de uso do mundo real (ou seja, Twitter).