Un système de compression d’images basé sur les réseaux de neurones profonds

Abstract

La compression d'images avec perte permet d'obtenir des taux de compression élevés en éliminant les informations qui ne contribuent pas à la perception humaine des images, ou qui y contribuent le moins possible. En raison des limites du système visuel humain, une telle perte d'information peut être acceptable dans de nombreux scénarios, mais les artefacts visuels introduits deviennent inacceptables à des taux de compression plus élevés. Cet article se concentre sur la méthode de compression JPEG [13] et les dégradations qu'elle entraîne.

Ce travail présente une nouvelle méthode de restauration d'image (Le débrouillage) utilisant des réseaux convolutifs qui représente une avancée significative par rapport aux autres méthodes . Nous proposons une approche que la nomme (DBRCNN) dans laquelle un réseau convolutif accepte une image dégradée en entrée et produit une image de haute qualité. Cet article montre qu'il est possible d'entraîner des réseaux neuronaux convolutifs (CNN) de grande taille et profonds pour réduire le débrouillage de la compression JPEG, et que cette approche peut fournir une qualité de reconstruction nettement supérieure à celle des réseaux proposées dans les travaux connexes, ainsi qu'à toute autre méthode de pointe.