Paper | A Pseudo-Blind Convolutional Neural Network for the Reduction of Compression Artifacts

目录

• 非盲增强网络结构
• 训练目标
• 压缩系数预测子网络
  • 网络结构
  • 根据块QP判决结果得到帧QP预测结果
  • 保持时序连续性
• 实验

发表在2019年TCSVT。

本文提出了一个兼具 预测压缩系数 和 非盲去压缩失真 功能的 伪-盲（pseudo-blind）去压缩失真网络。该网络是在Inception的基础上修改的，并加上了一个 压缩系数预测子网络。

这篇文章的Introduction、相关工作回顾、失真成因都写得很一般，我们看个方法就好。

值得一提的是，这可能是第一篇尝试“盲”QP增强论文，但是！作者准备了4个增强网络，应对4种预测QP。因此严格意义上不是盲的。

非盲增强网络结构

整体上看：

局部的Inception module：

训练目标

最小化\(L_1\)损失。

在HEVC下的4种QP：34、37、42、47训练了4个网络。

压缩系数预测子网络

网络结构

这是一个19层、\(3 \times 3\)卷积的VGG网络，参数量高达5.8M。

根据块QP判决结果得到帧QP预测结果

注意，我们不适用平滑区域的块。原因是：这些块的判决结果非常不稳定，很难反映QP信息。因此我们提取具有丰富纹理的块。

当判断该帧的QP时，我们取 50个 判决结果最悬殊的块 的结果。即分类器置信度最高的前50个块 的结果。然后voting得到最终预测QP。

保持时序连续性

为了保证帧间QP具有一定的连续性，作者考虑了软判决。具体策略看论文。

最终大网络就是这个样子，很简单都不需要多解释：

实验

我们只看分类器的准确率：