ABCD : Arbitrary Bitwise Coefficient for Dequantization

Abstract

In today's digital landscape, modern displays and content creation support high bit-depth images and videos, exceeding 8 bits. However, challenges arise when compression codecs reduce bit-depth, resulting in low bit- depth (LBD) images with less than 8 bits, causing artifacts like banding and blurriness. Existing bit depth expansion (BDE) methods fall short of producing satisfactory high bit-depth (HBD) images. To address this, we propose an implicit neural function with a bit query to recover de-quantized images from arbitrarily quantized inputs, aided by a phasor estimator to utilize neighboring pixel information. Our approach outperforms previous BDE methods on natural and animated images and has practical applications, demonstrated effectively on the YouTube UGC dataset, specifically in de-banding scenarios. This research presents a promising solution to enhance image quality in situations of bit-depth reduction. Keywords: Image Dequantization, Quantization, Low-Level Vision, Deep Learning, Implicit Neural Representation|현대 디스플레이와 콘텐츠는 8비트 이상의 이미지와 비디오를 지원한다. 그러나 압축 코덱과 같은 비트 부족 상황은 낮은 비트 깊이 (Low Bit-Depth; LBD) 이미지 (<8비트)에서 밴딩과 흐릿한 아티팩트를 발생시킨다. 이전 비트 깊이 확장 (Bit Depth Expansion; BDE) 방법들은 여전히 만족스럽지 못하고 비트 깊이 (High Bit-Depth; HBD) 이미지를 생성한다. 이를 위해 우리는 임의로 양자화된 입력 이미지에서 비트 좌표를 사용하여 양자화 문제를 해결하는 함축적 신경망 표현법 (Implicit Neural Representation; INR)을 제안한다. 또한, 편각추정기 (Phasor Estimator)를 삽입하여 주변 픽셀의 편각정보를 추정하고 이를 삽입하여 모델의 성능을 상승시킨다. 제안된 방법은 자연 이미지와 애니메이션 이미지에서 이전 BDE 방법에 비해 우수한 성능을 보인다. 또한 제안된 모델을 YouTube-UGC 데이터셋에서 밴딩 제거에 적용한 결과또한 시사한다.