JPEG is a widely used lossy compression method for digital images. For high levels of compression, JPEG introduces undesired artifacts, like ringing or blocking effects, that affect negatively to the visual quality of images. With recent advances in deep learning, CNN methods have achieved state-of-the-art results in image enhancement tasks. However, most approaches in the literature mainly focus on spatial information exploration, which means that the enhancement is only performed on the luminance component or for gray scale images. In this thesis we explore the performance of these algorithms when enhancing the RGB components of the image. The architectures have been adapted accordingly to the specific task and different models have been trained using color images. A comparison is made between the resulting models and a CNN scheme originally designed for this task and submitted to the Challenge on Learned Image Compression 2019[CS19]. The networks show competitive results when considering the trade-off between running time and quality performance.
JPEG es un método de compresión con pérdidas ampliamente utilizado para imágenes digitales. Para altos niveles de compresión, JPEG introduce artefactos no deseados, como artefactos de anillos o efectos de bloque, que afectan negativamente a la calidad visual de las imágenes. Con los avances recientes en el aprendizaje profundo, los métodos de CNN han logrado resultados de última generación en tareas de mejora de imagen. Sin embargo, la mayoría de los enfoques en la literatura se centran principalmente en la exploración de información espacial, lo que significa que la mejora solo se realiza en el componente de luminancia o para imágenes en escala de grises. En esta tesis se explora el rendimiento de estos algoritmos al mejorar los componentes RGB de la imagen. Las arquitecturas han sido adaptadas para poder llevar a cabo esta tarea y diferentes modelos han sido entrenados utilizando imágenes en color. Se ha hecho una comparación entre los modelos resultantes y un esquema CNN originalmente diseñado para esta tarea y presentado al Challenge on Learned Image Compression 2019 [CS19]. Las redes muestran resultados competitivos al considerar los tiempos de ejecución y la mejora de la calidad.
JPEG és un mètode de compressió amb pèrdues àmpliament utilitzat per a imatges digitals. Per a nivells elevats de compressió, JPEG introdueix artefactes no desitjats, com ara l'efecte d'anell o de bloc, que afecten negativament a la qualitat visual de les imatges. Amb els recents avenços en l'aprenentatge profund, els mètodes CNN han aconseguit resultats d'última generació en tasques de millora de la imatge. Malgrat això, la majoria dels mètodes en la literatura es centren principalment en l'exploració d'informació espacial, degut a aquest fet la millora només es realitza en el component de lluminositat o en imatges en escala de grisos. En aquesta tesi explorem el rendiment d'aquests algorismes en la millora dels components RGB de la imatge. Les arquitectures han estat adaptades per poder dur a terme aquesta tasca i s'han entrenat diversos models amb imatges en color. S'ha fet una comparació entre els models resultants i un esquema CNN dissenyat originalment per a aquesta tasca i proposat al Challenge on Learned Image Compression 2019 [CS19]. Les xarxes mostren resultats competitius en considerar el balanç entre el temps d'execució i la millora de la qualitat .
