BlockCNN: A Deep Network for Artifact Removal and Image Compression文献阅读

原文地址：http://openaccess.thecvf.com/content_cvpr_2018_workshops/w50/html/Maleki_BlockCNN_A_Deep_CVPR_2018_paper.html

GitHub实现地址：https://github.com/DaniMlk/BlockCNN

BlockCNN：一个 用于去除伪像和图像压缩的深度网络

摘要：我们提出了一种既能去除伪像又能压缩图像的通用技术。对于伪像去除，我们输入一个JPEG图像并尝试去除其压缩伪像。对于压缩，我们输入一个图像并在一个序列中处理其8*8的block。对于每个块我们首先尝试根据之前的块来预测其强度；然后我们储存关于输入图像的残差。我们的技术重新使用了JPEG的传统压缩和解压缩的例程。我们的伪像去除和图像压缩技术都使用相同的深度网络，但是具有不同的训练权重。我们的技术简单快速，极大地提高了伪像去除和图像压缩的性能。

1.Introduction：深度学习的出现引起了图像表征技术的多重突破，包括：超分辨，图像压缩，图像增强和图像生成。我们提出了一个统一模型，他可以执行两项任务：JPEG图像的伪像去除和新图像的图像压缩

         我们的模型使用深度学习和传统的JPEG压缩例程。JPEG将图像分成8*8的块并独立压缩每个块。这会导致块状压缩伪像（图2）。我们发现像素伪像的统计数据取决于他在块中的位置（图2）。因此，具有关于像素位置先验的伪像去除技术是由优势的。我们的模型在8*8的块上运行，以便从先验中获益。此外，这让我们重新使用了JPEG压缩。

       对于图像压缩，我们在一个序列中检查图像块。当每个块被压缩时，我们首先尝试根据该块的相邻块来预测该块的图像（图1）。我们的预测有一个关于原始块的残差。我们储存这个残差，该残差比原始块占用的空间更少。我们使用传统的JPEG技术来压缩这个残差。我们可以使用JPEG压缩比对质量和空间进行权衡。