論文の概要: Image Quality Assessment for Perceptual Image Restoration: A New Dataset, Benchmark and Metric

• arxiv url: http://arxiv.org/abs/2011.15002v1
• Date: Mon, 30 Nov 2020 17:06:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 00:29:13.338190
• Title: Image Quality Assessment for Perceptual Image Restoration: A New Dataset, Benchmark and Metric
• Title（参考訳）: 知覚的画像復元のための画像品質評価 : 新しいデータセット,ベンチマーク,メトリクス
• 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 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?
• 参考スコア（独自算出の注目度）: 19.855042248822738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image quality assessment (IQA) is the key factor for the fast development of image restoration (IR) algorithms. The most recent perceptual IR algorithms based on generative adversarial networks (GANs) have brought in significant improvement on visual performance, but also pose great challenges for quantitative evaluation. Notably, we observe an increasing inconsistency between perceptual quality and the evaluation results. We present two questions: Can existing IQA methods objectively evaluate recent IR algorithms? With the focus on beating current benchmarks, are we getting better IR algorithms? To answer the 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 IR algorithms, 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 SR 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 shed light on how to improve the IQA performance on GAN-based distortion. Inspired by the find that the existing IQA methods have an unsatisfactory performance on the GAN-based distortion partially because of their low tolerance to spatial misalignment, we propose to improve the performance of an IQA network on GAN-based distortion by explicitly considering this misalignment. We propose the Space Warping Difference Network, which includes the novel l_2 pooling layers and Space Warping Difference layers. Experiments demonstrate 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 Network)に基づく直近の知覚赤外線アルゴリズムは、視覚性能に大きな改善をもたらしたが、定量的評価には大きな課題が伴っている。 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。 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? 現在のベンチマークを上回ることに集中することで、より優れたIRアルゴリズムが得られますか? 質問に回答し, iqa手法の開発を促進するため,我々は,perceptual image processing algorithms (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IRアルゴリズムの結果が含まれている。 我々は、より信頼性の高いEloシステムを用いて、PIPAL画像の主観的な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に基づいて、IQA法とSR法の両方の新しいベンチマークを示す。 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。 最終的に、GANに基づく歪みに対してIQA性能を改善する方法について光を当てた。 既存のIQA法は空間的不整合に対する耐性が低い部分もあり,GANに基づく歪みに対して不整合性を有するという発見に触発されて,GANに基づく歪みに対するIQAネットワークの性能を改善することを提案する。 本稿では, 新規なl_2プーリング層と空間ワーピング差分層を含む空間ワーピング差分ネットワークを提案する。 提案手法の有効性を示す実験を行った。

関連論文リスト

• Image-Guided Outdoor LiDAR Perception Quality Assessment for Autonomous Driving [107.68311433435422]
  本研究では,屋外自動運転環境を対象とした画像誘導点雲質評価アルゴリズムを提案する。 IGO-PQA生成アルゴリズムは、単一フレームのLiDARベースのポイントクラウドに対して、全体的な品質スコアを生成する。 第2のコンポーネントは、非参照アウトドアポイントクラウド品質評価のためのトランスフォーマーベースのIGO-PQA回帰アルゴリズムである。
  論文  参考訳（メタデータ） (2024-06-25T04:16:14Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [54.139923409101044]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• 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)
• Region-Adaptive Deformable Network for Image Quality Assessment [16.03642709194366]
  画像復元および強化タスクでは、生成逆転ネットワーク(GAN)によって生成された画像は、従来のCNN生成画像よりも優れた視覚性能を達成できます。 GANに基づく歪みに対するIQAネットワークの性能を向上させるための参照指向の変形可能な畳み込みを提案する。 NTIRE 2021 Perceptual Image Quality Assessment Challengeデータセットの実験結果は、RADNの優れた性能を示している。
  論文  参考訳（メタデータ） (2021-04-23T13:47:20Z)
• AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
  一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。 前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。 本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-08-17T13:22:01Z)
• PIPAL: a Large-Scale Image Quality Assessment Dataset for Perceptual Image Restoration [28.154286553282486]
  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。
  論文  参考訳（メタデータ） (2020-07-23T17:15:25Z)
• 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。