DAGN：通过敏感度解耦学习减少图像压缩伪影 | IEEE TIP 2024
内容提要
本文提出了一种新的方法来减少压缩图像的伪影，通过解耦内在属性为压缩不敏感特征和压缩敏感特征，并设计了压缩感知模块和双重引导网络。实验证明该方法在压缩质量和下游机器视觉任务方面具有优越性。
延伸解读
解耦思路的独特价值
与以往直接学习压缩图像到原始图像映射的方法不同，本文从内在属性解耦的新视角出发，将特征分为压缩不敏感和压缩敏感两类。这种解耦不仅有助于减少伪影，还能保留高级语义信息，从而提升下游机器视觉任务的性能。文章指出，忽略内在属性会损害解析任务，而解耦后分别处理，能更有效地利用互补信息。
双模块协同机制
文章设计了压缩感知模块和双重引导网络。压缩不敏感信息通过对抗性训练正则化编码特征，以保留高级语义；压缩敏感信息则通过压缩质量感知特征编码器提取，用于感知压缩程度。双重引导网络利用这两类特征作为解码阶段的转换指导，并通过跨特征融合模块保持压缩不敏感特征的一致性，从而在减少伪影的同时维持语义一致性。
实验表现与效率
在BSD500数据集上，该方法实现了平均2.06dB的PSNR增益，处理一张图像仅需29.7毫秒，优于现有最先进方法。在LIVE1和LIU4K上的实验结果也证明了其在定量指标、视觉质量和下游机器视觉任务方面的有效性和优越性。消融实验进一步验证了压缩不敏感引导模块、压缩敏感引导模块和跨特征融合模块各自的功能。
未来方向与局限
文章在结论中提出，未来方向包括将学习与其他图像恢复任务（如去噪、超分辨率和去模糊）解耦。这表明当前方法主要针对压缩伪影减少，尚未扩展到其他恢复任务。此外，实验中的压缩图像由MATLAB JPEG编码器生成，训练时QF值在10到95之间随机采样，实际应用中的压缩类型和参数可能更多样，方法的泛化能力有待进一步验证。
Q&A
DAGN方法是如何减少图像压缩伪影的？
DAGN方法通过解耦内在属性为压缩不敏感特征和压缩敏感特征，并利用双重引导网络来减少伪影。
该研究在BSD500数据集上取得了什么样的效果？
在BSD500数据集上，该方法实现了平均2.06dB的PSNR增益，处理速度为29.7毫秒。
DAGN方法与现有方法相比有什么优势？
DAGN方法不仅关注从压缩图像到原始图像的映射，还考虑了内在属性，从而提高了下游解析任务的性能。
DAGN中的压缩感知模块有什么作用？
压缩感知模块用于提取压缩不敏感特征和压缩敏感特征，以指导伪影减少。
未来的研究方向是什么？
未来的研究方向包括将学习与其他图像恢复任务（如去噪、超分辨率和去模糊）解耦。
DAGN方法是如何利用对抗性训练的？
DAGN方法采用对抗性训练来正则化压缩和原始编码特征，以保留高级语义。
