SG-JND：用于图像压缩的语义引导最小可察觉失真预测器
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。
延伸解读
众包构建JND数据集的方法与价值
文章采用众包进行视觉知觉试验，构建了KonJND++数据集，包含300个源图像及其JPEG或BPG压缩版本，每个源图像平均有43个PJND评级和129个JND致命区域的自报告位置。这种众包方式能高效收集大规模主观数据，为JND建模提供丰富标注，但需注意众包环境可能引入的噪声，文章通过精细选择流程加以控制。
多畸变类型JND建模与IQA预过滤
文章利用深度学习建立综合考虑多种畸变类型的JND模型，并构建了包含25种畸变类型的细到粗数据集。为此设计了基于图像质量评估（IQA）的JND候选选择方案，结合众包主观评估进行精细数据选择。这表明JND建模正从单一畸变向多畸变扩展，而IQA引导的预过滤能提升数据效率，但模型泛化到未知畸变类型仍需验证。
JND融入学习图像压缩的感知优化
文章将JND原则融入学习图像压缩（LC）的训练过程，提出三种感知优化方法。评估结果显示，相比基线方法，这些方法在训练后不增加额外复杂性，同时提升了速率-失真表现和视觉质量。这证实了JND整合的有效性，为视觉无损压缩提供了新思路，但实际部署中的计算开销和兼容性仍需进一步考察。
Q&A
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。
