1、Pointwise Shape-Adaptive DCT for High-Quality Denoising and Deblocking of Grayscale
and Color Images（用于灰度和彩色图像高质量去噪和去块的逐点形状自适应DCT）
摘要：形状自适应离散余弦变换（SA-DCT）可以在任意形状的支持下计算，但保持了与通常的可分离块DCT相当的计算复杂度。尽管SA-DCT具有接近最优的去相关和能量压缩特性，但其应用相当有限，几乎只针对视频压缩。在本文中，我们提出了一种基于SA-DCT的图像滤波新方法。我们将SA-DCT与各向异性局部多项式近似置信区间交集技术结合使用，该技术以逐点自适应方式定义变换支持的形状。阈值化或衰减的SA-DCT系数用于在自适应形状支持内重建信号的局部估计。由于对应于不同点的支持通常是重叠的，因此使用依赖于区域统计的自适应权重将局部估计平均在一起。这种方法可用于各种图像处理任务。在本文中，我们特别考虑了图像去噪和图像去块和DCT压缩产生的块。还提出了亮度-色度空间中的特殊结构约束，以实现彩色图像的精确滤波。模拟实验表明，最终估计在客观标准和视觉外观方面都具有最先进的质量。由于自适应支持，重建的边缘是干净的，拟合变换不会引入令人不快的振铃伪影。
本文的组织结构如下。我们从所考虑的观察模型和符号开始。在第三节中，我们回顾了各向异性LPA-ICI技术的要点。第四节介绍了形状自适应DCT变换的许多方面和细节。第五节介绍了提出的逐点SA-DCT去噪算法，这是本文的核心。第六节给出了去块和去噪的应用，其中我们将量化表与用于滤波的方差值联系起来。在第七节中，我们将提出的方法扩展到彩色图像滤波，描述所采用的颜色空间变换和对色度施加的结构约束。最后一部分是结果和讨论：我们提供了一系列全面的实验和比较，证明了所提出算法的先进性能。
2、Loss-Specific Training of Non-Parametric Image Restoration Models: A New State of the Art
（非参数图像恢复模型的特定损失训练：一种新的技术状态）
摘要：经过十年图像去噪的快速发展，最近的方法似乎已经达到了性能极限。尽管如此，我们发现最先进的去噪方法在视觉上清晰可辨，并具有互补的强度和失效模式。基于这一观察，我们引入了一个基于回归树场（RTF）的强大的非参数图像恢复框架。我们的恢复模型是一个紧密连接的可处理条件随机场，它利用现有的方法来产生与图像相关的、全局一致的预测。我们根据训练数据估计模型的条件结构和参数，以便直接优化流行的性能度量。在峰值信噪比（PSNR）方面，我们的模型在一系列噪声水平上比最佳公布的去噪方法提高了至少0.26dB。我们最实用的变体仍能产生统计上的显著改进，但比最强的竞争对手快20倍以上。我们的方法非常适合于更多的图像恢复和低水平视觉问题，在去除JPEG块伪影等任务中取得了实质性的进展
我们在最近引入的非参数回归树场（RTF）[3]的基础上引入了一种新的图像恢复框架，并对其进行了扩展，使得该方法可以针对任何可微损失函数进行优化。这使我们能够直接优化模型的所有方面，以获得感知质量的相关度量，例如结构相似性。我们的模型是一个高度连通的条件随机场，可生成针对特定损失函数定制的全局一致的图像重建。图像特征和现有恢复方法进行的重建都无缝集成到随机场中，并且它们对局部图像上下文的依赖性以非参数方式表示。在结构相似性（SSIM）、峰值信噪比（PSNR）和平均绝对误差（MAE）方面，我们获得了最佳的公开图像去噪结果，具有统计显著性。我们的方法明显优于已发表的最佳方法[4,5]。我们进一步给出了去除JPEG块伪影的结果，该结果超过了最先进的SA-DCT方法[6]
3、Efficient_image_video_deblocking_via_sparse_representation（基于稀疏表示的高效图像/视频去块）
摘要：块伪影是基于块的图像/视频压缩中的一个常见问题，其特征是沿块边界的像素值发生视觉上明显的变化，尤其是在低比特率编码下。已经提出了各种后处理技术来减少块效应，但它们通常会引入过度的模糊或振铃效应。本文提出了一种基于自学习的图像/视频解块框架，通过将解块适当地表述为基于稀疏表示的MCA（形态成分分析）图像分解问题。该方法首先通过应用BM3D（块匹配和3D滤波）算法将图像/视频帧分解为低频和高频部分。然后，通过基于MCA的字典学习和稀疏编码，将高频部分分解为“块分量”和“非块分量”。因此，可以成功地从图像\视频帧中移除块组件，同时保留大多数原始图像\视频细节。实验结果证明了该算法的有效性。
在本文中，我们提出了一种新的图像/视频去块框架，通过稀疏表示将去块描述为基于MCA的图像分解问题。在我们的方法中，首先使用BM3D（块匹配和3D滤波）算法将图像/视频帧分解为低频和高频部分[23]。然后，通过基于MCA的字典学习和稀疏编码，将高频部分分解为“块分量”和“非块分量”。本文的主要贡献有三个方面：（i）提出了第一个基于MCA的自学习图像分解框架，用于去除块效应；（ii）用于从图像中去除块效应的字典的学习是完全自动和自包含的，其中不需要额外的训练样本；以及（iii）所提出的方法可以适用于任何基于块变换的压缩图像\视频，而不需要来自数据源、编码比特率和压缩算法的任何先验知识。本文的其余部分组织如下。在第2节中，我们简要回顾了基于MCA的图像分解、稀疏编码和字典学习技术的概念。第3节介绍了提议的图像/视频解块框架，以及提议的方法与[20]中提议的方法之间的主要差异。第4节演示了实验结果。最后，第5节对本文进行了总结。
4、Reducing_Artifacts_in_JPEG_Decompression_Via_a_Learned_Dictionary（通过学习词典减少JPEG解压缩中的伪影）
摘要：JPEG压缩方法是最成功的压缩方案之一，因为它在相当高的压缩比下容易提供良好的压缩结果。然而，标准JPEG解压缩方案的解压缩结果通常包含一些可见的伪影，例如块伪影和吉布斯伪影（振铃），尤其是在压缩比相当高的情况下。在本文中，提出了一种新的JPEG解压缩伪影减少方法，通过学习字典上的稀疏和冗余表示。事实上，开发了一种有效的两步算法。第一步涉及字典学习，第二步涉及解压缩图像的总变化正则化。数值实验表明，该方法在信噪比峰值测量和结构相似性方面优于全变分和加权全变分解压缩方法。
稀疏表示技术被证明在灰度图像的高斯噪声去除[10]和乘性噪声去除[11]、彩色图像去噪和修复[12]、图像序列恢复[13]、泊松图像去模糊[14]等方面非常成功。通过图像块的稀疏表示技术处理JPEG解压缩非常有趣。Jung等人[15]提出从训练图像集导出通用字典，用于去除JPEG压缩图像的块伪影。在本文中，我们提出并开发了一种新的伪影减少方法，用于恢复JPEG解压缩图像。与[15]不同，我们的想法是构建一个附加到恢复图像的字典，并在学习的字典上找到稀疏表示。恢复的图像可以保持原始输入图像的特征。事实上，虽然JPEG图像中存在可见伪影，如图2（b）和（c），但未压缩图像和JPEG压缩图像之间的差异直方图是对称的，并迅速降至零，这是高斯分布的基本特性，见图2（d）和（e）。因此，我们可以从JPEG压缩图像中挖掘出一个字典来表示典型特征。在图2（f）中，我们展示了通过经典K-SVD方法[16]从JPEG压缩图像中学习的词典（图2（c））。显然，字典中的原子在某种程度上与原始图像中的典型图案相关（图2（a）），它们应该是对于即将到来的图像解压缩过程非常有用。事实上，我们提出的模型的后一个优化问题涉及恢复图像和JPEG解压缩图像之间的拟合项（约束集的指示函数）、字典中恢复图像的稀疏表示项和总变分正则化项的求和。由此，获得了一种有效的JPEG图像解压缩两步算法。第一步涉及字典学习，第二步涉及用于恢复图像的总变化正则化。将进行数值实验，以证明所提出的方法在信噪比峰值和结构相似性的度量方面优于全变差和加权全变差解压缩方法。
5、Compression Artifact Reduction by Overlapped-Block Transform Coefficient Estimation With Block Similarity（基于块相似性的重叠块变换系数估计减少压缩伪影）
摘要：块变换编码的图像通常在低比特率下遭受由变换系数的粗略量化引起的恼人伪影。在本文中，我们提出了一种通过非局部块的重叠块变换系数估计来减少压缩伪影的新方法。在该方法中，每个块的离散余弦变换系数通过基于可靠性自适应融合两个预测值来估计。一种预测是从压缩比特流解码的系数的量化值，其可靠性由量化步骤确定。另一种预测是非局部块系数的加权平均，其可靠性取决于这些块中系数的方差。权重用于区分非局部块中系数预测原始系数的有效性，并由变换域中的块相似性确定。为了解决优化问题，将重叠块划分为若干子集。每个子集包含覆盖整个图像的非重叠块，并独立进行优化。因此，整体优化被简化为一组易于求解的子优化问题。最后，我们提供了一种基于压缩级别的参数选择策略。实验结果表明，该方法可以显著减少压缩伪影，显著提高块变换编码图像的主观和客观质量
在本文中，我们提出了一种通过从变换域估计原始图像来减少压缩伪影的新方法。这是通过估计位于任何像素位置的所有变换块中的DCT系数来实现的。对于每个块，通过根据可靠性自适应融合两个预测值来估计DCT系数。一种预测是从压缩比特流解码的系数的量化值，其可靠性由量化步骤确定。另一种预测是与估计块相似的非局部块中系数的加权平均。其可靠性取决于这些相似块中系数的方差。权重用于区分相似块中系数的有效性，以预测原始系数。它们由变换域中的块相似性确定。为了抑制相似性计算中噪声的负面影响，我们采用变换块中低频系数的欧几里德距离来测量它们的相似性。此外，我们采用量化步骤排除类似块中的离群系数，这些离群系数远离估计的原始系数。该框架需要优化图像中所有重叠变换块的变换系数。它涉及大量因变量。为了解决优化问题，将重叠块划分为若干子集。每个子集包含覆盖整个图像的非重叠块，并独立进行优化。因此，整体优化被简化为一组易于解决的子优化问题。还提出了一种方法为这些次优化问题中的每一个实施量化约束。最后，我们提供了一种根据压缩级别或量化步骤选择参数的策略，可以从压缩比特流中提取
本文的其余部分组织如下。第二节简要回顾了块变换图像编码，并介绍了一些符号。第三节将压缩伪影减少表述为贝叶斯框架下的映射估计问题。本节详细描述了所提出的图像先验模型，并比较了不同先验模型的性能。第四节描述了所提出算法的优化解和强制量化约束方法。第五节和第六节总结了实验结果