摘要：为了探索最新一代通用视频编码标准(versatile video coding, VVC)对中文文本屏幕内容图像(text screen content image, TSCI)感知质量的影响,设计图像主观观测实验并基于VVC混合编码框架原理研究了中文TSCI的VVC编码感知失真。构建中文文本屏幕内容图像数据库(Chinese text screen content image dataset, CT-SCID),设计图像主观观测实验,分析VVC引起的中文TSCI感知失真类型及其发展路径;结合VVC的混合编码框架原理,理论分析并实验验证影响VVC编码的中文TSCI感知失真程度的因素;总结当前代表性的屏幕内容图像质量评价方法在中文TSCI VVC编码感知失真评测上的性能表现。实验结果表明:字体大小和对比度是影响中文TSCI VVC编码感知质量的重要因素,且中文TSCI的字体越小、对比度越低时,图像的感知质量等级越低;当前代表性的屏幕内容图像质量评价方法均无法给出完全符合人眼感知特性的质量评价结果。研究对于后续开发适用于中文TSCI的感知质量评价方法、高效编码方法等具有指导意义。

摘要：针对引导滤波会导致边缘附近出现光晕且难以识别精细边缘的问题,提出了一种结合邻域方差与各向异性窗的引导滤波算法.首先,利用各向异性高斯滤波器的方向选择性实现对边缘的精细识别,并利用滤波器的狭长空域结构可实现局部窗口内不同像素信息融合,以抑制边缘模糊和光晕效果;其次,基于局部结构相似性原理,引入邻域方差以实现对局部线性变换参数的优化,同时保证强边缘结构和非边缘区域的最大扩散.实验结果表明,在102类花卉图像数据集上,文中算法的视觉效果、定量评价(PSNR和SSIM)均优于其他边缘保持滤波算法,并且测试图像的失真度比引导滤波、加权引导滤波和各向异性引导滤波分别小46.72%,48.64%和29.61%,能够在识别精细边缘的同时有效地抑制伪影现象的发生.

摘要：最新通用视频编码(VVC)标准测试模型VTM推荐的JCTVC-X0038量化参数级联方法未考虑监控视频的内容特性,编码效率低。针对这一问题,提出了一种有效考虑监控视频空时域内容特性的VVC量化参数级联方法(SCA-QPC)。基于VVC混合编码框架原理,理论分析得出时间层及监控视频的空时域内容特性是影响量化参数(QP)选择的关键因素,设计编码实验对理论分析结果进行验证;采用梯度和背景帧差分别评测监控视频的空域和时域特性,将梯度和背景帧差作为反向传播神经网络的输入,构建预测低时延结构时间层对应最优QP的模型;提出适用于VVC标准有效提高监控视频编码效率的量化参数级联方法。与当前最先进的JCTVC-X0038量化参数级联方法相比,对于所有测试序列,SCA-QPC对应的平均BD-rate为-4.26%。研究对于VVC编码框架中量化参数级联和码率控制模块的优化具有指导意义。

摘要：目前基于卷积神经网络的超分方法虽然在峰值信噪比和结构相似性评价指标上能取得优异的结果,但是得到的超分图像视觉质量较差,会丢失人脸五官区域的细节信息。针对这一现象,设计了一种新的深度神经网络来预测超分小波系数以获得信息丰富的超分辨率人脸图像。首先利用人脸图像的先验知识手动地给予五官区域更多的关注,然后在网络中引入线性低秩卷积运算,最后利用长距离依赖的思想补充超分图像的细节。实验验证该算法可以在获得较高的峰值信噪比和结构相似性的同时,使超分人脸图像五官区域更加清晰、视觉质量更优。

摘要：针对高效视频编码(HEVC)采用的码率控制方法感知率失真性能较低的问题,提出了一种有效提高视频感知率失真性能的帧内码率控制算法。首先,度量视频的空时域复杂度,并结合空时域复杂度设计视频主观观测实验。其次,基于视频主观观测实验结果,结合人类视觉系统相关感知特性,构建能够有效衡量人眼对视频不同区域感知差异性的视频内容空时域感知敏感因子。最后,将空时域感知敏感因子运用到帧内图像最大编码单元层目标比特分配中,实现感知帧内码率控制。实验结果表明,在比特估计准确度和感知率失真性能2个核心指标上,所提算法均明显优于HEVC采用的码率控制算法。

摘要：针对任意形状遮挡下人脸修复,现有方法容易产生边缘模糊和恢复结果失真等问题。提出了一种结合边缘信息和门卷积的人脸修复算法。首先,通过先验人脸知识产生遮挡区域的边缘图,以约束人脸修复过程。其次,利用门卷积在部分像素缺失下的精确局部特征描述能力,设计面向图像修复的门卷积深度生成对抗网络(GAN)。该模型由边缘连接生成对抗网络和图像修复生成对抗网络两部分组成。边缘连接网络利用二值遮挡图和待修复图像及其边缘图的多源信息进行训练,实现对缺失边缘图像的自动补全和连接。图像修复网络以补全的边缘图为引导信息,联合遮挡图像进行缺失区域修复。实验结果表明:相比其他算法,该算法修复效果更好,其评价指标比当前基于深度学习的图像修复算法更优。