一种基于采样重构和特征增强的压缩图像质量提升方法
阅读说明：本技术 一种基于采样重构和特征增强的压缩图像质量提升方法 (Compressed image quality improving method based on sampling reconstruction and feature enhancement ) 是由 陈洪刚 刘强 何小海 任超 卿粼波 熊淑华 吴晓红 滕奇志 于 2020-09-29 设计创作，主要内容包括：本发明提供了一种基于采样重构和特征增强的压缩图像质量提升方法。主要包括如下步骤：设计提升压缩图像质量的深度模型,包含基于重叠像素重排的采样、基于特征增强的残差预测及基于重叠像素重排的重构等模块；构建训练压缩图像质量提升深度模型的训练图像集,包含存在对应关系的压缩图像集及高质量图像集；基于训练图像集,训练压缩图像质量提升深度模型；利用训练好的压缩图像质量提升深度模型对输入的测试图像进行处理；对质量提升结果进行评价或进一步对其进行分析和理解。本发明所述方法能显著提升压缩图像的质量且具有较低的复杂度,同时能够改善图像分析理解的性能。本发明在图像及视频存储、传输、分析等方向具有重要的应用价值。(The invention provides a method for improving the quality of a compressed image based on sampling reconstruction and feature enhancement. The method mainly comprises the following steps: designing a depth model for improving the quality of a compressed image, wherein the depth model comprises modules of sampling based on overlapped pixel rearrangement, residual prediction based on feature enhancement, reconstruction based on overlapped pixel rearrangement and the like; constructing a training image set for training a compressed image quality improvement depth model, wherein the training image set comprises a compressed image set and a high-quality image set which have a corresponding relation; training a compressed image quality enhancement depth model based on a training image set; processing the input test image by using the trained compressed image quality improvement depth model; and evaluating the quality improvement result or further analyzing and understanding the quality improvement result. The method can obviously improve the quality of the compressed image, has lower complexity and can improve the performance of image analysis and understanding. The invention has important application value in the directions of image and video storage, transmission, analysis and the like.)
技术领域
本发明涉及压缩图像质量增强技术，具体涉及一种基于采样重组和特征增强的压缩图像质量提升方法，属于图像处理领域。
背景技术
随着手机、相机、监控等成像设备或系统的发展以及互联网技术的普及，图像及视频在日常生活、娱乐、教育、医疗、航空航天、军事等方向的应用越来越广泛和深入，在这些领域发挥着举足轻重的作用。随之而来的就是，图像和视频的数据量快速增长，给相应的存储和传输系统带来了巨大的压力和挑战。为了缓解图像及视频的存储和传输压力，通常会采用有损压缩的方式来减少数据冗余以降低数据量，如JPEG及JPEG 2000是较为常用的静止图像压缩方法，而MPEG、H.264及HEVC则是针对视频的压缩技术。但是，有损压缩降低数据量的代价是牺牲图像或视频的质量，即解压缩后的图像或视频与原始信息并不一致，而是存在一定的失真，即压缩噪声。特别地，在压缩比较大时，解压缩的图像或视频中将存在严重的压缩噪声，带来块效应、条带效应、振铃效应、模糊效应等，严重影响其视觉效果或后续的分析利用。如何提升有损压缩后的图像或视频的质量，使其更好地体现压缩前的原始信息，是图像视频编码领域亟待解决的难点之一。
对于压缩图像及视频的质量提升而言，主要目的就是抑制有损压缩过程引入的压缩噪声，如块效应、条带效应、振铃效应等，同时恢复在压缩过程中被破坏的一些图像结构。特别地，压缩图像的质量提升方法主要包括基于滤波的方法、基于先验的方法以及基于学习的方法等。基于滤波的方法，能够通过滤波平滑的方式抑制块效应等噪声；基于先验的方法是利用自然图像满足的局部平滑性、非局部相似性、稀疏性等特性约束图像，实现压缩噪声的去除；基于学习的方法是通过压缩图像与原始图像的映射关系实现压缩噪声的抑制，从而提升质量。总体而言，基于学习的方法在质量提升性能上更优，特别是近年来飞速发展的基于深度学习的压缩图像质量提升方法。但是，较多基于深度学习的压缩图像质量提升方法是通过加大模型来提升性能，导致模型的参数量和计算量都较大，难以实际应用。如何在不增加参数和计算复杂度的情况下，进一步改善压缩图像质量提升的性能，需要更加深入的研究。
发明内容
本发明针对现有技术存在的上述不足，提供了一种基于采样重构和特征增强的压缩图像质量提升方法。
为了实现上述发明目的，本发明采用以下技术方案：
一种基于采样重构和特征增强的压缩图像质量提升方法，主要包括以下步骤：
步骤1、设计提升压缩图像质量的深度模型，其包含基于重叠像素重排的采样模块、基于特征增强的残差预测模块及基于重叠像素重排的重构模块，具体步骤如下：
(1.1)基于重叠的像素重排操作，对输入到压缩图像质量提升模型的图像进行采样；
(1.2)基于卷积层、非线性层等基本组件，联合稠密连接、注意力机制、残差结构等设计基于特征增强的残差预测模块，从步骤(1.1)中的采样图像提取特征、增强特征并预测残差分量；
(1.3)基于与步骤(1.1)相反的重叠像素重排操作，对步骤(1.2)预测的残差进行重构；
(1.4)基于全局残差连接，将步骤(1.3)重构后的残差图像叠加到输入图像，得到压缩图像质量提升的预测结果。
步骤2、构建训练压缩图像质量提升深度模型的训练图像集，包含高质量图像集和与之一一对应的压缩图像集，具体步骤如下：
(2.1)采集若干高质量图像，构建高质量图像集；
(2.2)基于图像压缩方法，对步骤(2.1)构建的高质量图像做压缩和解压缩，得到压缩图像集；
(2.3)组合步骤(2.1)构建的高质量图像集及步骤(2.2)得到的压缩图像集，构建存在一一对应关系的训练图像集。
步骤3、基于步骤2构建的包含压缩图像集及对应高质量图像集的训练图像集，训练步骤1设计的压缩图像质量提升深度模型，具体步骤如下：
(3.1)建立度量质量提升误差的损失函数；
(3.2)将步骤(2.2)构建的压缩图像集中的图像输入到步骤1中设计的压缩图像质量提升深度模型进行处理，得到质量提升结果；
(3.3)从步骤(2.1)构建的高质量图像集中，获取步骤(3.2)所用输入压缩图像所对应的高质量图像，并将其与步骤(3.2)预测的质量提升结果进行比较，即利用步骤(3.1)建立的损失函数度量预测误差；
(3.4)基于步骤(3.3)计算的预测误差，利用深度模型学习优化算法，更新压缩图像质量提升深度模型中的参数；
(3.5)重复步骤(3.2)至步骤(3.4)，直到预测误差收敛时，即完成压缩图像质量提升深度模型的训练。
步骤4、将用于测试的压缩图像作为输入，利用步骤3训练好的压缩图像质量提升深度模型进行处理，得到测试图像对应的质量提升结果。
步骤5、评价步骤4所得的质量提升结果，或进一步对其进行分析和理解，如边缘检测等。
本发明采用以上技术方案，具有以下优点：(1)本发明分别在压缩图像质量提升深度模型的首部和尾部集成了基于重叠像素重排的采样模块和重构模块，以大幅度降低计算复杂度来提高处理速度，同时加大了深度模型的感受野以改善性能。(2)本发明采用多尺度的空洞卷积来提取更加丰富的特征，利用基于注意力机制的特征融合单元来充分利用特征，以提升处理效果。(3)本发明结合高效的1×1卷积，来降低深度网络模型的参数复杂度和计算复杂度，减小模型和提高处理速度。(4)本发明利用不同层次的特征域及空间域残差连接，构建了多层次的残差结构，有利于稳定深度网络的训练，同时能够提升性能。(5)本发明联合压缩图像质量提升技术，构建了适应于压缩图像的图像分析理解框架，能够改善图像分析理解的准确性。
附图说明
图1为本发明基于采样重构和特征增强的压缩图像质量提升方法的流程框图；
图2为本发明基于采样重构和特征增强的压缩图像质量提升网络的结构图；
图3为本发明基于重叠像素重排的采样和重构的示意图；
图4为本发明联合压缩图像质量提升的图像分析理解方法的原理框图；
图5为本发明与三种方法对测试图像“Barbara”的质量提升结果对比图(压缩方法：JPEG，压缩质量因子：10)，其中(a)为原始未压缩图像，(b)为JPEG压缩图像，(c)(d)(e)(f)分别为方法1、方法2、方法3及本发明的结果；
图6为本发明与三种方法对测试图像“Carnivaldolls”的质量提升结果对比图(压缩方法：JPEG，压缩质量因子：10)，其中(a)为原始未压缩图像，(b)为JPEG压缩图像，(c)(d)(e)(f)分别为方法1、方法2、方法3及本发明的结果；
图7为本发明与三种方法的模型参数量及平均峰值信噪比(Peak Signal toNoise Ratio，PSNR)对比图(测试图像集：classic5，压缩方法：JPEG，压缩质量因子：10)；
图8为本发明联合边缘检测的结果对比，其中(a)为原始未压缩图像及其边缘检测结果，(b)为JPEG压缩图像及其边缘检测结果，(c)为本发明的质量提升结果及其边缘检测结果。
具体实施方式
为了使本发明更加清晰明了，下面结合具体实施方式并参照附图，更详细地描述本发明。应该理解，本发明可采用多种形式实现，而不被附图及下文描述的实施方式所限制。提供附图及下文描述的实施方式是为了能够让本发明更加完整及准确地被本领域技术人员所理解。
图1中，一种基于采样重构和特征增强的压缩图像质量提升方法，具体可以分为以下五个步骤：
步骤1、设计提升压缩图像质量的深度模型，其包含基于重叠像素重排的采样模块、基于特征增强的残差预测模块及基于重叠像素重排的重构模块，具体步骤如下：
(1.1)基于重叠的像素重排操作，对输入到压缩图像质量提升模型的图像进行采样；
(1.2)基于卷积层、非线性层等基本组件，联合稠密连接、注意力机制、残差结构等设计基于特征增强的残差预测模块，从步骤(1.1)中的采样图像提取特征、增强特征并预测残差分量；
(1.3)基于与步骤(1.1)相反的重叠像素重排操作，对步骤(1.2)预测的残差进行重构；
(1.4)基于全局残差连接，将步骤(1.3)重构后的残差图像叠加到输入图像，得到压缩图像质量提升的预测结果。
步骤2、构建训练压缩图像质量提升深度模型的训练图像集，包含高质量图像集和与之一一对应的压缩图像集，具体步骤如下：
(2.1)采集若干高质量图像，构建高质量图像集；
(2.2)基于图像压缩方法，对步骤(2.1)构建的高质量图像做压缩和解压缩，得到压缩图像集；
(2.3)组合步骤(2.1)构建的高质量图像集及步骤(2.2)得到的压缩图像集，构建存在一一对应关系的训练图像集。
步骤3、基于步骤2构建的包含压缩图像集及对应高质量图像集的训练图像集，训练步骤1设计的压缩图像质量提升深度模型，具体步骤如下：
(3.1)建立度量质量提升误差的损失函数；
(3.2)将步骤(2.2)构建的压缩图像集中的图像输入到步骤1中设计的压缩图像质量提升深度模型进行处理，得到质量提升结果；
(3.3)从步骤(2.1)构建的高质量图像集中，获取步骤(3.2)所用输入压缩图像所对应的高质量图像，并将其与步骤(3.2)预测的质量提升结果进行比较，即利用步骤(3.1)建立的损失函数度量预测误差；
(3.4)基于步骤(3.3)计算的预测误差，利用深度模型学习优化算法，更新压缩图像质量提升深度模型中的参数；
(3.5)重复步骤(3.2)至步骤(3.4)，直到预测误差收敛时，即完成压缩图像质量提升深度模型的训练。
步骤4、将用于测试的压缩图像作为输入，利用步骤3训练好的压缩图像质量提升深度模型进行处理，得到测试图像对应的质量提升结果。
步骤5、评价步骤4所得的质量提升结果，或进一步对其进行分析和理解，如边缘检测等。
具体地，所述步骤1中，压缩图像质量提升深度模型，即如图2所示的基于采样重构和特征增强的压缩图像质量提升网络，其以残差网络为主体结构，主要由基于重叠像素重排的采样模块、基于特征增强的残差预测模块及基于重叠像素重排的重构模块构成，整体表示为
其中，表示和Ic分别表示压缩图像质量提升处理结果和输入压缩图像，Fds(·)为基于重叠像素重排的采样模块，Frp(·)为基于特征增强的残差预测模块，Frc(·)为基于重叠像素重排的重构模块。
进一步地，所述步骤(1.1)中，基于重叠像素重排的采样操作如图3所示，其中左侧为输入压缩图像右侧为采样后的结果具体为
其中，c＝1,…,d2且c＝d(x0-1)+y0；(x0,y0)为基于重叠像素重排采样的起点坐标，且x0＝1,…,d，y0＝1,…,d。本发明中，以d＝4为例，但是可取其他值。上式实现，在Ic中，以(x0,y0)为起点进行水平方向及垂直方向的隔点采样，并将尺寸为的采样结果作为的第d(x0-1)+y0个通道。特别地，本发明先对Ic的边界进行镜像处理，以保证d2个采样图像的尺寸均为 中不同通道存在重叠的像素，以其作为残差预测网络的输入，将能够扩大网络感受野，更充分利用邻域信息。
进一步地，所述步骤(1.2)中，基于特征增强的残差预测网络如图2所示，其主要由KF个基于特征增强的密集连接残差模块及基于注意力重标定的特征融合模块构成，表示为
其中，为基于卷积层(卷积核尺寸：3×3，卷积核数目：64)提取的浅层特征，Ffe(·)为对应的操作；ffrb_k为残差预测网络中第k个基于特征增强的密集连接残差模块的输出，且有ffrb_k＝Ffrb_k(ffrb_k-1)，Ffrb_k(·)为对应的操作；Fgafb(·)为对特征增强密集连接残差模块输出特征进行融合的全局特征融合操作，其由基于注意力重标定的特征融合模块实现；Frr(·)为基于卷积层(卷积核尺寸：3×3，卷积核数目：d2)的残差重建操作。本发明中，以KF＝6为例，但是可取其他值。
基于特征增强的残差预测网络的主要组成之一，基于特征增强的密集连接残差模块如图2所示，其以密集连接残差模块为主干网络，结合多尺度特征提取进行特征增强。第k个基于特征增强的密集连接残差模块可表示为
其中，Flafb_k(·)为第k个基于特征增强的密集连接残差模块中的局部特征融合操作，其由基于注意力重标定的特征融合模块实现；fk_mfb_p表示第k个基于特征增强的密集连接残差模块中的第p个多尺度特征提取模块的输出特征。本发明中，以PM＝8为例，但是可取其他值。特征增强密集连接残差模块中使用的多尺度特征提取模块如图2所示。对于第k个特征增强密集连接残差模块中的第p个多尺度特征提取模块，其输入包括第k个特征增强密集连接残差模块的输入ffrb_k-1及前p-1个多尺度特征提取模块的输出{fk_mfb_1,…,fk_mfb_p-1}，整体表示为
其中，Fcct(·)为沿通道方向的特征连接操作，Ffdr1(·)为对通道连接后的特征进行压缩的卷积操作(卷积核尺寸：1×1，卷积核数目：64)，Fmfe(·)为基于空洞卷积的多尺度特征提取，Ffdr2(·)为对多尺度特征进行压缩的卷积操作(卷积核尺寸：1×1，卷积核数目：64)。为了获取多尺度信息及扩大网络感受野，多尺度特征提取基于不同步长的空洞卷积联合实现，表示为
其中，fmfe表示从ffdr1中提取的多尺度特征，ffdr1为Ffdr1(·)操作的输出；Fdfe1(·)、Fdfe2(·)、Fdfe3(·)及Fdfe4(·)均为空洞卷积操作，其卷积核大小为3×3，卷积核数目为32，步长分别为1、2、3和4。
基于特征增强的残差预测网络的主要组成之一，基于注意力重标定的特征融合模块如图2所示，其基于注意力机制对输入特征进行自适应的重标定并降维，实现特征融合。基于注意力重标定的特征融合模块主要包括基于注意力的特征重标定及特征降维。为了方便表述，设待融合的一组特征为f1kK＝Fcct(f1,…,fk,…,fK)，基于注意力重标定的特征融合Fafb(·)表示为
其中，fafb为融合的结果，Fafrb(·)表示基于注意力的特征重标定，Ffdrb(·)为特征降维。基于注意力的特征重标定建立输入特征中各通道之间的依赖关系，其包括绝对值化、全局均值及最大值池化、特征压缩及拉伸、尺度规范化、重标定等过程，表示为
其中，Fafrb(·)及fafrb分别为基于注意力的特征重标定模块实现的功能及对应输出，Fabs(·)为计算绝对值的操作，Fgap(·)为全局均值池化，Fgmp(·)为全局最大值池化，Ffss(·)为特征压缩和拉伸，σ(·)为Sigmoid函数。特征压缩和拉伸是基于位于ReLU激活函数两侧的全卷积层实现，分别对特征进行s倍的压缩和拉伸，本发明以s＝16为例。σ(·)对系数进行规范化后，将其与输入特征相乘实现重标定。特征降维模块对重标定后的特征进行降维和融合，以降低复杂度和提升性能，表示为
其中，Ffdrb(·)及ffdrb分别代表特征降维模块及其输出，其包括用于降低维度的卷积层(卷积核尺寸：1×1，卷积核数目：64)和更好融合信息的卷积层(卷积核尺寸：3×3，卷积核数目：64)，分别用Ffdr3(·)好和Fff(·)表示。
进一步地，所述步骤(1.3)中，基于重叠像素重排的重构操作如图3所示，其中右侧为基于特征增强的残差网络预测的残差且左侧为重构的结果所述步骤(1.3)中的基于重叠像素重排的重构操作与所述步骤(1.1)中的基于重叠像素重排的采样操作互为逆过程，其表示为
其中，为的第c个特征通道，表示各通道按照所对应的原始位置进行累加；ω为对累加和进行规范化的系数，其取决于各点累加次数。
进一步地，所述步骤(1.4)中，基于全局残差学习，从压缩图像Ic处理得到的质量提升结果为
具体地，所述步骤2中，设包含N张高质量图像的图像集表示为则构建压缩图像质量提升深度模型训练图像集的过程表示为
其中，表示高质量图像所对应的压缩图像，Fc(·)表示压缩过程，Sc为对应的压缩方法，Pc为压缩参数设置。则有，与为存在一一对应关系的高质量图像集和压缩图像集。本发明中，以JPEG标准、压缩质量因子10为例，但是其可以使用其他设置。
具体地，所述步骤3中，基于步骤2构建的压缩图像集及其对应的高质量图像集训练步骤1设计的压缩图像质量提升深度模型模型，即基于采样重构和特征增强的压缩图像质量提升网络。
进一步地，所述步骤(3.1)中，采用L2范数建立度量质量提升误差的损失函数。
进一步地，所述步骤(3.2)中，将步骤2建立的压缩图像集中的图像作为输入，利用步骤1中的压缩图像质量提升深度模型Fciqenet(·)进行处理，得到质量提升结果，表示为
其中，为经压缩图像质量提升深度模型Fciqenet(·)处理的结果。
进一步地，所述步骤(3.3)中，基于步骤(3.1)建立的损失函数，对步骤(3.2)中由压缩图像预测的质量提升结果的误差进行度量，表示为
其中，来自于高质量图像集为压缩图像所对应的高质量图像。上式仅是以单个图像为例说明预测误差的计算。
进一步地，所述步骤(3.4)中，基于步骤(3.3)所计算的预测误差，采用Adam优化器更新压缩质量提升深度模型的参数。其中，优化器可选用其他方法。
进一步地，所述步骤(3.5)中，重复步骤(3.2)至步骤(3.4)，直到步骤(3.3)中计算的预测误差收敛，则说明压缩图像质量提升深度模型的训练完成，保存模型用于后续测试使用。
具体地，所述步骤4中，利用步骤3训练的压缩图像质量提升深度模型Fciqenet(·)对用于测试的压缩图像进行处理，其表示为
其中，为所对应的质量提升结果。
具体地，所述步骤5中，对步骤4所预测的质量提升结果进行评价或做后续的分析和理解。
进一步地，所述步骤5中，对于质量提升处理结果的评价，可结合主观质量评价和客观参数评价。主观质量评价以人眼观察为主，综合考察压缩噪声抑制及细节保持恢复的情况。对于客观参数评价，如存在测试图像所对应的原始未压缩图像Itest，可利用峰值信噪比(Peak Signal to Noise Ratio，PSNR)及结构相似度(Structure SimilarityIndex，SSIM)等全参考指标进行评价；如不存在Itest，则可采用无参考的指标参数进行质量评价。
进一步地，所述步骤5中，对于压缩图像质量提升结果的后续分析理解，其流程框图如图4所示。其中，首先将压缩图像质量提升处理作为预处理器，提升输入压缩图像的质量，以降低压缩噪声对后续分析理解的影响；然后将压缩图像质量提升结果作为输入，进行边缘提取等后续图像分析和理解处理。
为了验证本发明方法的有效性，本发明用压缩图像质量提升处理领域常用的标准测试图像集classic5及LIVE1进行了实验。对于classic5及LIVE1中的原始高质量图像，采用JPEG压缩编码标准进行压缩，压缩质量因子设置为10。选取三种基于深度学习的压缩图像质量提升处理算法作为对比方法，具体为：
方法1：Dong等人提出的方法，参考文献“C.Dong,Y.Deng,C.L.Chen,and X.Tang,“Compression artifacts reduction by a deep convolutional network,”inProceedings of the International Conference on Computer Vision(ICCV),2015,pp.576–584.”
方法2：Chen等人提出的方法，参考文献“H.Chen,X.He,L.Qing,S.Xiong,andT.Q.Nguyen,“DPWSDNet:Dual pixel-wavelet domain deep CNNs for soft decoding ofJPEG-compressed images,”in Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition Workshops(CVPRW),2018,pp.711–720.”
方法3：Zhang等人提出的方法，参考文献“Y.Zhang,K.Li,K.Li,B.Zhong,andY.Fu,“Residual non-local attention networks for image restoration,”inInternational Conference on Learning Representations(ICLR),2019.”
对比的实验内容如下：
表1及表2分别给出了JPEG及不同压缩图像质量提升方法在标准测试图像集classic5和LIVE1上取得的平均PSNR和平均SSIM值。本实验中，采用JPEG压缩编码标准进行压缩，压缩质量因子设置为10。
图5和图6分别比较了不同压缩图像质量提升方法对标准测试图像“Barbara”及“Carnivaldolls”处理结果的视觉效果。在图5及图6中，(a)为原始未压缩图像，(b)为JPEG压缩图像，(c)(d)(e)(f)分别为方法1、方法2、方法3及本发明的结果。本实验中，采用JPEG压缩编码标准进行压缩，压缩质量因子设置为10。
图7比较了不同压缩图像质量提升方法的模型参数量及在classic5上取得的平均PSNR值。本实验中，采用JPEG压缩编码标准进行压缩，压缩质量因子设置为10。
图8以典型的图像分析理解任务边缘检测为例，展示了将本发明方法作为预处理器时，对后续图像分析理解的作用。其中(a)为原始未压缩图像及其边缘检测结果，(b)为JPEG压缩图像及其边缘检测结果，(c)为本发明的质量提升结果及其边缘检测结果。本实验中，采用JPEG压缩编码标准进行压缩，压缩质量因子设置为10；边缘检测采用Canny算子方法。
从表1给出的PSNR值及表2给出SSIM值可以看出，本发明方法在两个标准测试图像集、两个指标上都取得了最高值，从客观指标的角度而言具有最好的质量。相比于JPEG压缩图像，本发明的PSNR及SSIM提升幅度非常明显，同时本发明方法也全面优于所对比的三种方法。对比图5及图6所示的原始图像、JPEG压缩图像及各方法的质量提升结果可知：JPEG压缩图像中有严重的压缩噪声，体现为块效应、条带效应、振铃效应、模糊效应等，严重影响视觉感受；经过各方法进行质量提升处理后，质量都有明显的改善，但整体而言本发明方法在噪声抑制和细节保持上更佳。主观视觉效果及客观参数的对比结果说明了本发明的有效性和优势。
从图7所示的不同方法的模型参数量及客观参数PSNR对比可以看出，本发明在降低模型参数的同时提升了效果，说明本发明更好地平衡了参数复杂度和质量提升性能。
从图8所示的边缘检测结果可以看出，压缩噪声会明显影响边缘检测的准确性，特别是块效应及条带效应会被误检为边缘。然而，使用本发明作为预处理提升压缩图像质量后再进行边缘检测，则能够得到较准确的边缘。该结果说明了本发明在边缘检测等图像分析理解任务上的作用。
综上所述，本发明是一种有效的压缩图像质量提升方法，且可用于辅助其他图像分析理解任务。
表1
表2