补充实验：低质量JPEG图像的处理

研究背景

JPEG压缩的质量因子（QF, Quality Factor）不同，会导致图像退化程度不同。在低质量（通常指 QF ≤ 30）时，图像不仅产生明显的块状伪影（blocking artifacts）块效应、边缘模糊、色带、振铃，还会出现纹理丢失、色彩偏移等问题。
直接再压缩会放大这些伪影，降低可感知质量。

常见的解决方案包括：

• 先恢复再压缩（Two-Stage: Restoration + Compression）
  先通过深度模型恢复或增强图像质量（去伪影、超分、纹理补偿等），再用标准或神经压缩器压缩。

• 直接对图像进行压缩通过优化模型去除伪影
  构建端到端的网络同时执行恢复与压缩，输入低QF的图像，输出高压缩比较为清晰的图像编码

• 条件自适应的重压缩
  将图像质量作为条件输入，动态控制模型压缩程度。
  对严重压缩的图像先重建纹理然后压缩。较轻压缩的直接进行压缩。

• 图像恢复
  MemNet (2017) - Deep Persistent Memory Network
  RIDNet (2019) - Residual-in-Residual Dense Network
  MIRNet (2020)

• 关注压缩质量因子QF的“条件建模”或“自适应”方法
  DASR (2020)
  提出动态调节网络参数的方法来适配不同的退化程度，QF是输入的一部分。
  模型通过可学习的条件分支网络自适应处理不同压缩程度。
  QGAC (Quality-Guided Adaptive Compression Artifacts Cleaning, 2023)
  提出了一个 QF 引导的模块，动态选择适合的滤波器路径来去除伪影，专门应对低质量图像。
  利用了 attention 和 quality-aware 的建模方式。

• 基于GAN / Diffusion 的低质量 JPEG 图像生成增强
  JPEG-GAN (2022)
  明确针对 QF=10~30 的严重压缩图像设计GAN架构，融合判别器感知损失与多尺度生成器。
  极大提升了恢复后的结构与纹理保真度。
  DiffJPEG (2024) - 基于扩散模型的JPEG恢复
  最新方法利用 diffusion 模型逐步从压缩图像恢复高质量图像，在低QF场景（如QF=5,10）超越了GAN。强调更细腻的高频恢复。

• 辅助学习与自监督策略
  JPEG-Former (2022)
  将 Transformer 应用于JPEG伪影恢复，能有效捕捉远距离依赖和纹理一致性。
  引入质量因子作为位置编码，引导模型学习不同压缩程度的恢复策略。
  Blind JPEG Artifact Removal
  无需明确QF标签，通过自监督学习模型推断图像压缩程度，并自适应恢复。
  代表方法如 Blind-RestoreNet 结合了噪声建模与对抗学习。