This paper presents methods based on convolutional neural networks (CNNs) for removing compression artifacts. We modify the Inception module for the image restoration problem and use it as a building block for constructing blind and non-blind artifact removal networks. It is known that a CNN trained in a non-blind scenario (known compression quality factor) performs better than the one trained in a blind scenario (unknown factor), and our network is not an exception. However, the blind system is more practical because the compression quality factor is not always available or does not reflect the actual quality when the image is a transcoded or requantized image. Hence, in this paper, we also propose a pseudo-blind system that estimates the quality factor for a given compressed image and then applies a network that is trained with a similar quality factor. For this purpose, we propose a CNN that estimates the compression quality factor and prepare several non-blind artifact removal networks that are trained for some specific compression quality factors. We train the networks and conduct experiments on widely used compression standards, such as JPEG, MPEG-2, H.264, and HEVC. In addition, we conduct experiments for dynamically changing and transcoded videos to demonstrate the effectiveness of the quality estimation method. The experimental results show that the proposed pseudo-blind network performs better than the blind one for the various cases stated above and requires fewer computations.

中文翻译：

---

用于减少压缩伪影的伪盲卷积神经网络

本文介绍了基于卷积神经网络 (CNN) 的方法，用于消除压缩伪影。我们针对图像恢复问题修改了 Inception 模块，并将其用作构建盲和非盲工件去除网络的构建块。众所周知，在非盲场景（已知压缩质量因子）中训练的 CNN 比在盲场景（未知因子）中训练的 CNN 表现更好，我们的网络也不例外。然而，盲系统更实用，因为当图像是转码或重新量化图像时，压缩质量因子并不总是可用或不反映实际质量。因此，在本文中，我们还提出了一个伪盲系统，该系统估计给定压缩图像的质量因子，然后应用以类似质量因子训练的网络。为此，我们提出了一个估计压缩质量因子的 CNN，并准备了几个针对某些特定压缩质量因子进行训练的非盲人像去除网络。我们训练网络并在广泛使用的压缩标准上进行实验，例如 JPEG、MPEG-2、H.264 和 HEVC。此外，我们对动态改变和转码的视频进行了实验，以证明质量估计方法的有效性。实验结果表明，对于上述各种情况，所提出的伪盲网络的性能优于盲网络，并且需要更少的计算。我们提出了一个估计压缩质量因子的 CNN，并准备了几个针对某些特定压缩质量因子进行训练的非盲人像去除网络。我们训练网络并在广泛使用的压缩标准上进行实验，例如 JPEG、MPEG-2、H.264 和 HEVC。此外，我们对动态改变和转码的视频进行了实验，以证明质量估计方法的有效性。实验结果表明，对于上述各种情况，所提出的伪盲网络的性能优于盲网络，并且需要更少的计算。我们提出了一个估计压缩质量因子的 CNN，并准备了几个针对某些特定压缩质量因子进行训练的非盲人像去除网络。我们训练网络并在广泛使用的压缩标准上进行实验，例如 JPEG、MPEG-2、H.264 和 HEVC。此外，我们对动态改变和转码的视频进行了实验，以证明质量估计方法的有效性。实验结果表明，对于上述各种情况，所提出的伪盲网络的性能优于盲网络，并且需要更少的计算。我们训练网络并在广泛使用的压缩标准上进行实验，例如 JPEG、MPEG-2、H.264 和 HEVC。此外，我们对动态改变和转码的视频进行了实验，以证明质量估计方法的有效性。实验结果表明，对于上述各种情况，所提出的伪盲网络的性能优于盲网络，并且需要更少的计算。我们训练网络并在广泛使用的压缩标准上进行实验，例如 JPEG、MPEG-2、H.264 和 HEVC。此外，我们对动态改变和转码的视频进行了实验，以证明质量估计方法的有效性。实验结果表明，对于上述各种情况，所提出的伪盲网络的性能优于盲网络，并且需要更少的计算。