論文の概要: Comparison of Image Quality Models for Optimization of Image Processing
Systems
- arxiv url: http://arxiv.org/abs/2005.01338v3
- Date: Tue, 8 Dec 2020 12:59:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 01:33:18.757846
- Title: Comparison of Image Quality Models for Optimization of Image Processing
Systems
- Title(参考訳): 画像処理システムの最適化のための画質モデルの比較
- Authors: Keyan Ding, Kede Ma, Shiqi Wang, Eero P. Simoncelli
- Abstract要約: 我々は、11のフル参照IQAモデルを使用して、4つの低レベル視覚タスクのためにディープニューラルネットワークをトレーニングします。
最適化された画像に対する主観的テストにより、それらの知覚的性能の観点から、競合するモデルのランク付けが可能となる。
- 参考スコア(独自算出の注目度): 41.57409136781606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The performance of objective image quality assessment (IQA) models has been
evaluated primarily by comparing model predictions to human quality judgments.
Perceptual datasets gathered for this purpose have provided useful benchmarks
for improving IQA methods, but their heavy use creates a risk of overfitting.
Here, we perform a large-scale comparison of IQA models in terms of their use
as objectives for the optimization of image processing algorithms.
Specifically, we use eleven full-reference IQA models to train deep neural
networks for four low-level vision tasks: denoising, deblurring,
super-resolution, and compression. Subjective testing on the optimized images
allows us to rank the competing models in terms of their perceptual
performance, elucidate their relative advantages and disadvantages in these
tasks, and propose a set of desirable properties for incorporation into future
IQA models.
- Abstract(参考訳): 対象画像品質評価(IQA)モデルの性能は、主にモデル予測と人間の品質判断を比較して評価されている。
この目的のために収集された知覚データセットはIQA法を改善するための有用なベンチマークを提供しているが、その多用は過度に適合するリスクを生んでいる。
本稿では,画像処理アルゴリズムの最適化のための目的としての利用の観点から,iqaモデルの大規模比較を行う。
具体的には、11のフル参照IQAモデルを使用して、ディープニューラルネットワークを4つの低レベルなビジョンタスクにトレーニングします。
最適化された画像に対する主観的テストにより、その知覚的パフォーマンスの観点から競合するモデルをランク付けし、それらのタスクにおける相対的優位性とデメリットを解明し、将来のiqaモデルに組み込むための望ましい特性セットを提案する。
関連論文リスト
- Comparison of No-Reference Image Quality Models via MAP Estimation in
Diffusion Latents [99.19391983670569]
NR-IQAモデルは、画像強調のための最大後部推定(MAP)フレームワークにプラグイン可能であることを示す。
異なるNR-IQAモデルは異なる拡張イメージを誘導し、最終的には精神物理学的なテストを受ける。
これにより, NR-IQAモデルの比較を行う新たな計算手法が提案される。
論文 参考訳(メタデータ) (2024-03-11T03:35:41Z) - A Lightweight Parallel Framework for Blind Image Quality Assessment [7.9562077122537875]
ブラインド画像品質評価(BIQA)のための軽量並列フレームワーク(LPF)を提案する。
まず,事前学習した特徴抽出ネットワークを用いて視覚特徴を抽出し,視覚特徴を変換するための簡易で効果的な特徴埋め込みネットワーク(FEN)を構築した。
本稿では,サンプルレベルのカテゴリ予測タスクとバッチレベルの品質比較タスクを含む,新たな2つのサブタスクを提案する。
論文 参考訳(メタデータ) (2024-02-19T10:56:58Z) - Optimization-Based Improvement of Face Image Quality Assessment
Techniques [5.831942593046074]
顔画像品質評価(FIQA)技術は、認識プロセスに役立つ入力顔画像からサンプル品質情報を推測しようとする。
本稿では,既存のFIQA技術の性能向上を目的とした品質ラベル最適化手法を提案する。
提案手法を6つの最先端FIQA手法による包括的実験で評価した。
論文 参考訳(メタデータ) (2023-05-24T08:06:12Z) - Perceptual Attacks of No-Reference Image Quality Models with
Human-in-the-Loop [113.75573175709573]
NR-IQAモデルの知覚的堅牢性を調べるための最初の試みの1つを行う。
我々は,4つの完全参照IQAモデルの下で,知識駆動のNR-IQA法とデータ駆動のNR-IQA法を検証した。
4つのNR-IQAモデルは全て、提案した知覚的攻撃に対して脆弱であることがわかった。
論文 参考訳(メタデータ) (2022-10-03T13:47:16Z) - Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。
本研究では,変換器を用いた全参照IQAモデルの性能について検討する。
また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
論文 参考訳(メタデータ) (2022-04-27T10:21:08Z) - Learning Transformer Features for Image Quality Assessment [53.51379676690971]
本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。
提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
論文 参考訳(メタデータ) (2021-12-01T13:23:00Z) - Generating Adversarial Examples with an Optimized Quality [12.747258403133035]
ディープラーニングモデルは、Adversarial Examples(AE)に対して脆弱であり、これらのモデルを欺くために慎重に作られたサンプルである。
近年の研究では、新たな敵攻撃法が導入されたが、工芸品の品質は保証されていない。
本稿では,画像品質評価(IQA)メトリクスをAEの設計・生成プロセスに組み込む。
論文 参考訳(メタデータ) (2020-06-30T23:05:12Z) - Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and
Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。
我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。
6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文 参考訳(メタデータ) (2020-05-28T13:35:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。