論文の概要: PIPAL: a Large-Scale Image Quality Assessment Dataset for Perceptual
Image Restoration
- arxiv url: http://arxiv.org/abs/2007.12142v2
- Date: Sat, 26 Sep 2020 08:30:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 13:05:47.093537
- Title: PIPAL: a Large-Scale Image Quality Assessment Dataset for Perceptual
Image Restoration
- Title(参考訳): PIPAL:知覚的画像復元のための大規模画像品質評価データセット
- Authors: Jinjin Gu, Haoming Cai, Haoyu Chen, Xiaoxing Ye, Jimmy Ren, Chao Dong
- Abstract要約: 画像品質評価(IQA)は、画像復元アルゴリズム(IR)の急速な発展の鍵となる要素である。
GAN(Generative Adversarial Networks)に基づく最近のIR手法は、視覚性能を著しく向上させた。
IQA法と超解像法の両方に対する新しいベンチマークを提案する。
- 参考スコア(独自算出の注目度): 28.154286553282486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image quality assessment (IQA) is the key factor for the fast development of
image restoration (IR) algorithms. The most recent IR methods based on
Generative Adversarial Networks (GANs) have achieved significant improvement in
visual performance, but also presented great challenges for quantitative
evaluation. Notably, we observe an increasing inconsistency between perceptual
quality and the evaluation results. Then we raise two questions: (1) Can
existing IQA methods objectively evaluate recent IR algorithms? (2) When focus
on beating current benchmarks, are we getting better IR algorithms? To answer
these questions and promote the development of IQA methods, we contribute a
large-scale IQA dataset, called Perceptual Image Processing Algorithms (PIPAL)
dataset. Especially, this dataset includes the results of GAN-based methods,
which are missing in previous datasets. We collect more than 1.13 million human
judgments to assign subjective scores for PIPAL images using the more reliable
"Elo system". Based on PIPAL, we present new benchmarks for both IQA and
super-resolution methods. Our results indicate that existing IQA methods cannot
fairly evaluate GAN-based IR algorithms. While using appropriate evaluation
methods is important, IQA methods should also be updated along with the
development of IR algorithms. At last, we improve the performance of IQA
networks on GAN-based distortions by introducing anti-aliasing pooling.
Experiments show the effectiveness of the proposed method.
- Abstract(参考訳): 画像品質評価(IQA)は、画像復元アルゴリズム(IR)の急速な発展の鍵となる要素である。
GAN(Generative Adversarial Networks)に基づく最新のIR手法は、視覚的性能を大幅に向上させたが、定量的評価には大きな課題があった。
特に,知覚的品質と評価結果との間には不整合が増大している。
1) 既存のIQA法は最近のIRアルゴリズムを客観的に評価できるのか?
(2) 現在のベンチマークに注目すると、より優れたIRアルゴリズムが得られますか?
これらの疑問に答え、IQA手法の開発を促進するため、PIPALデータセットと呼ばれる大規模IQAデータセットをコントリビュートする。
特に、このデータセットには、以前のデータセットに欠けているGANベースのメソッドの結果が含まれている。
我々は、より信頼性の高い「エロシステム」を用いて、PIPAL画像の主観的スコアを割り当てるために、113万以上の人的判断を収集する。
PIPALに基づくIQA法と超解像法の両方のベンチマークを提案する。
その結果,既存のIQA法では,GANベースのIRアルゴリズムを十分に評価できないことがわかった。
適切な評価手法が重要である一方で、IRアルゴリズムの開発とともにIQA法も更新されるべきである。
最後に,ganに基づく歪みに対するiqaネットワークの性能を,アンチエイリアスプールの導入により向上させる。
提案手法の有効性を示す実験を行った。
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) - Discovering Limitations of Image Quality Assessments with Noised Deep
Learning Image Sets [4.016928101928335]
画像品質評価(IQA)は,航空写真解釈から物体検出,医用画像解析に至るまで,様々な用途において重要な課題である。
科学者はIQAアルゴリズムを低解像度(32×32ピクセル/画像)、多摂動、大画像セットで評価していない。
本研究では,この2つのIQAアルゴリズムを実験的に検討した。
論文 参考訳(メタデータ) (2022-10-19T02:15:09Z) - MSTRIQ: No Reference Image Quality Assessment Based on Swin Transformer
with Multi-Stage Fusion [8.338999282303755]
本稿では,Swin Transformerに基づく新しいアルゴリズムを提案する。
ローカル機能とグローバル機能の両方から情報を集約して、品質をより正確に予測する。
NTIRE 2022 Perceptual Image Quality Assessment Challengeのノーレファレンストラックで2位。
論文 参考訳(メタデータ) (2022-05-20T11:34:35Z) - Attentions Help CNNs See Better: Attention-based Hybrid Image Quality
Assessment Network [20.835800149919145]
画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を定量化することを目的としている。
GAN(Generative Adversarial Network)によって生成された歪み画像を、一見現実的なテクスチャで評価する際の性能低下がある。
本稿では,AHIQ(Hybrid Image Quality Assessment Network)を提案する。
論文 参考訳(メタデータ) (2022-04-22T03:59:18Z) - Confusing Image Quality Assessment: Towards Better Augmented Reality
Experience [96.29124666702566]
我々はAR技術を仮想シーンと実シーンの重ね合わせとみなし、視覚的混乱を基本的な理論として紹介する。
ConFusing Image Quality Assessment (CFIQA)データベースが構築され、600個の参照画像と300個の歪画像とをペアに混合して生成する。
また、難解な画像品質をよりよく評価するために、CFIQAと呼ばれる客観的な計量も提案されている。
論文 参考訳(メタデータ) (2022-04-11T07:03:06Z) - 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) - Continual Learning for Blind Image Quality Assessment [80.55119990128419]
ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。
最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。
モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
論文 参考訳(メタデータ) (2021-02-19T03:07:01Z) - Image Quality Assessment for Perceptual Image Restoration: A New
Dataset, Benchmark and Metric [19.855042248822738]
画像品質評価(IQA)は、画像復元アルゴリズム(IR)の急速な発展の鍵となる要素である。
GAN(Generative Adversarial Network)に基づく最近のIRアルゴリズムは、視覚性能に大きな改善をもたらした。
既存のIQA手法は、最近のIRアルゴリズムを客観的に評価できるか?
論文 参考訳(メタデータ) (2020-11-30T17:06:46Z) - Cross Learning in Deep Q-Networks [82.20059754270302]
本稿では、値に基づく強化学習手法において、よく知られた過大評価問題を緩和することを目的とした、新しいクロスQ-ラーニングアルゴリズムを提案する。
本アルゴリズムは,並列モデルの集合を維持し,ランダムに選択されたネットワークに基づいてQ値を算出することによって,二重Q-ラーニングに基づいて構築する。
論文 参考訳(メタデータ) (2020-09-29T04:58:17Z) - Off-Policy Reinforcement Learning for Efficient and Effective GAN
Architecture Search [50.40004966087121]
本稿では,GANアーキテクチャ探索のための強化学習に基づくニューラルアーキテクチャ探索手法を提案する。
鍵となる考え方は、よりスムーズなアーキテクチャサンプリングのためのマルコフ決定プロセス(MDP)として、GANアーキテクチャ探索問題を定式化することである。
我々は,従来の政策によって生成されたサンプルを効率的に活用する,非政治的なGANアーキテクチャ探索アルゴリズムを利用する。
論文 参考訳(メタデータ) (2020-07-17T18:29:17Z) - No-Reference Image Quality Assessment via Feature Fusion and Multi-Task
Learning [29.19484863898778]
ブラインドまたはノン参照画像品質評価(NR-IQA)は基本的な問題であり、未解決であり、難しい問題である。
マルチタスク学習に基づく簡易かつ効果的な汎用的ノンリフレクション(NR)画像品質評価フレームワークを提案する。
このモデルでは、歪み型と主観的な人間のスコアを用いて画質を推定する。
論文 参考訳(メタデータ) (2020-06-06T05:04:10Z)
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。