Пакет для повышения чёткости изображений с помощью ИИ и удаления мозаики FBCNN-GUI — бесплатный и с открытым исходным кодом, поддерживает устранение артефактов JPEG (JPEG Artifact Removal)



📚Видеокурс
🕒Последнее обновление: 24.12.2024
👥Предприниматели / Создатели контента / Продавцы трансграничной электронной коммерции / Люди с подработкой

Справочный учебный материал — включён в подписку
Открыть курс по подписке
🔓
Получите этот курс для ознакомительного изучения с подпиской
📦
Оформите подписку — изучайте все 16742 курсов и программных инструментов в качестве справочника
🔄
Курсы постоянно обновляются — участники изучают новые материалы по мере их поступления
Поделиться:
Бестселлеры курсов
Бестселлеры программных инструментов

Что такое артефакты JPEG?

Артефакты JPEG (JPEG Artifacts) — это визуальные искажения, возникающие в процессе сжатия изображений JPEG из-за потери части данных изображения. Как широко распространённый формат сжатия изображений, JPEG уменьшает размер файла за счёт сокращения данных изображения, что облегчает хранение и передачу. Однако такой метод сжатия с потерями может приводить к появлению нежелательных дефектов изображения, обычно называемых артефактами JPEG.

Причины возникновения артефактов JPEG

Алгоритм сжатия JPEG, уменьшая размер файла за счёт отбрасывания части данных изображения, может вносить различные типы артефактов. К наиболее распространённым артефактам относятся блочные искажения, размытие, цветовой сдвиг и другие. Хотя преимущества сжатия в формате JPEG очевидны, при высоких требованиях к качеству изображения артефакты становятся трудноизбежимой проблемой.

Проблемы удаления артефактов JPEG

Хотя было предложено множество методов удаления артефактов JPEG, они обычно сталкиваются с рядом ограничений при практическом применении:

  • Существующие алгоритмы на основе глубокого обучения (такие как ARCNN, MWCNN, SwinIR) обычно требуют обучения отдельной модели для каждого коэффициента качества сжатия, и отсутствует универсальная модель для работы с различными коэффициентами качества.
  • Методы удаления артефактов на основе DCT (такие как DMCNN, QGAC) зависят от коэффициентов DCT или таблиц квантования, которые обычно присутствуют только в формате JPEG, и при многократном сжатии изображения сохраняются лишь данные последнего сжатия.
  • Современные слепые методы (такие как DnCNN, DCSC, QGAC) при обработке дают только детерминированный результат, не обладая гибкостью настройки в соответствии с предпочтениями пользователя.
  • Многие существующие исследования предполагают, что изображение сжималось только один раз, однако в действительности большинство изображений в интернете часто подвергается многократному сжатию, что ставит традиционные методы удаления артефактов перед серьёзными вызовами.

FBCNN: новый метод удаления артефактов

Чтобы преодолеть эти проблемы, мы предложили инновационный метод слепой свёрточной нейронной сети (FBCNN), способный предсказывать коэффициент качества JPEG-изображения и встраивать его в декодер для управления восстановлением изображения. Этот метод не только позволяет гибко настраиваться в соответствии с потребностями пользователя, но и поддерживает обработку различных коэффициентов качества JPEG, обеспечивая более высокое качество восстановления.

Стоит отметить, что эта технология представляет собой не простое увеличение изображения или шумоподавление, а специальное удаление артефактов JPEG. На наших примерах изображений вы сможете наглядно увидеть, как неприятные цветные блоки исчезают после обработки, а изображение восстанавливается.

Бесплатное использование, простое освоение

В настоящее время функция удаления артефактов JPEG, например в Photoshop, является платной, но мы предлагаем полностью бесплатное решение. Этот проект не только помогает пользователям удалять артефакты JPEG, но и включает графический интерфейс пользователя (GUI), что делает работу ещё проще. Пользователю достаточно дважды щёлкнуть для запускаrun.batфайла, чтобы начать использование.

Пакетная обработка и ускорение на GPU

Мы также добавили в этот проект функцию пакетной обработки с поддержкой ускорения на GPU, что делает обработку изображений быстрее и эффективнее. Кроме того, вы можете легко сравнить результат до и после обработки, чтобы убедиться в оптимальном качестве изображения.

Адрес проекта:Адрес проекта на GitHub

Похожие курсы

Эл. почта