BriefGPT - AI 论文速递
·
SG-JND：用于图像压缩的语义引导最小可察觉失真预测器
💡
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文介绍了一种基于众包的视觉知觉试验框架，创建了新的PJND数据集KonJND++，包含300个源图像及其压缩版本。利用深度学习建立了综合多种畸变类型的JND模型，并提出了基于图像质量评估的细粒度JND预过滤网络，以提高视觉无损压缩效率和感知质量。
🎯
关键要点
- 本文介绍了一种基于众包的视觉知觉试验框架，创建了新的PJND数据集KonJND++，包含300个源图像及其压缩版本。
- 数据集包括每个源图像的平均43个PJND评级和129个JND致命区域的自报告位置。
- 利用深度学习建立了综合多种畸变类型的JND模型，并构建了拥有25种畸变类型的数据集。
- 提出了一种基于图像质量评估的细粒度JND预过滤网络，以提高视觉无损压缩效率和感知质量。
- 通过将JND原则融入学习图像压缩的训练过程中，提出了三种感知优化方法，证明了JND整合的有效性。
❓
延伸问答
什么是KonJND++数据集？
KonJND++数据集是一个包含300个源图像及其压缩版本的数据集，平均每个源图像有43个PJND评级和129个JND致命区域的自报告位置。
如何提高视觉无损压缩的效率和感知质量？
通过提出基于图像质量评估的细粒度JND预过滤网络，可以提高视觉无损压缩的效率和感知质量。
JND模型是如何建立的？
JND模型是利用深度学习建立的，综合考虑了多种畸变类型，并构建了拥有25种畸变类型的数据集。
JND原则在图像压缩中的作用是什么？
JND原则通过融入学习图像压缩的训练过程中，增强了速率-失真表现和视觉质量。
本文提出了哪些感知优化方法？
本文提出了三种感知优化方法，旨在证明JND整合的有效性，且不增加额外复杂性。
如何进行JND数据的选择？
JND数据的选择通过设计基于图像质量评估的候选选择方案，并使用众包主观评估进行精细选择。
➡️
