論文の概要: Learning-Based Quality Assessment for Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2012.08732v1
- Date: Wed, 16 Dec 2020 04:06:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 12:07:34.604784
- Title: Learning-Based Quality Assessment for Image Super-Resolution
- Title（参考訳）: 画像超解像の学習による品質評価
- Authors: Tiesong Zhao, Yuting Lin, Yiwen Xu, Weiling Chen, Zhou Wang
- Abstract要約: 我々は,新しい半自動ラベリング手法を用いて,大規模sr画像データベースを構築する。
結果のSR画像品質データベースには、100の自然シーンの8,400の画像が含まれている。
特徴抽出にDNN(Deep Neural Networks)を用いたエンドツーエンドのDeep Image SR Quality(DISQ)モデルと、品質予測のためのFeature fusion Networkをトレーニングします。
- 参考スコア（独自算出の注目度）: 25.76907513611358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image Super-Resolution (SR) techniques improve visual quality by enhancing
the spatial resolution of images. Quality evaluation metrics play a critical
role in comparing and optimizing SR algorithms, but current metrics achieve
only limited success, largely due to the lack of large-scale quality databases,
which are essential for learning accurate and robust SR quality metrics. In
this work, we first build a large-scale SR image database using a novel
semi-automatic labeling approach, which allows us to label a large number of
images with manageable human workload. The resulting SR Image quality database
with Semi-Automatic Ratings (SISAR), so far the largest of SR-IQA database,
contains 8,400 images of 100 natural scenes. We train an end-to-end Deep Image
SR Quality (DISQ) model by employing two-stream Deep Neural Networks (DNNs) for
feature extraction, followed by a feature fusion network for quality
prediction. Experimental results demonstrate that the proposed method
outperforms state-of-the-art metrics and achieves promising generalization
performance in cross-database tests. The SISAR database and DISQ model will be
made publicly available to facilitate reproducible research.
- Abstract（参考訳）: 画像超解像(SR)技術は、画像の空間分解能を高めて視覚品質を向上させる。
品質評価指標は、SRアルゴリズムの比較と最適化において重要な役割を果たすが、現在のメトリクスは、正確で堅牢なSR品質指標を学ぶのに不可欠な大規模な品質データベースが欠如していることから、限られた成功しか達成していない。
本研究では、まず、新しい半自動ラベリングアプローチを用いて、大規模なSR画像データベースを構築する。
SR-IQAデータベースの最大であるSemi-Automatic Ratings (SISAR)による結果のSR画像品質データベースには、100の自然シーンの8,400の画像が含まれている。
特徴抽出に2ストリームのDeep Neural Networks (DNN) を用いて、エンドツーエンドのDeep Image SR Quality (DISQ) モデルを訓練し、続いて品質予測のための機能融合ネットワークを訓練する。
実験結果から,提案手法は最先端のメトリクスよりも優れ,データベース間テストにおいて有望な一般化性能を実現することが示された。
SISARデータベースとdisQモデルは、再現可能な研究を促進するために公開されます。
関連論文リスト
- Study of Subjective and Objective Quality in Super-Resolution Enhanced Broadcast Images on a Novel SR-IQA Dataset [4.770359059226373]
超解像技術(SR)は、高解像度のスクリーンに高画質の放送コンテンツをフルスクリーンで表示するために不可欠である。
SR強調放送コンテンツなどの低品質ソースから生成されたSR画像の品質を評価することは困難である。
SR放送画像のための新しいIQAデータセットを2Kと4Kの解像度で導入する。
論文 参考訳（メタデータ） (2024-09-26T01:07:15Z) - Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。
そこで我々は,自動画像評価パイプラインを提案する。
その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文 参考訳（メタデータ） (2024-09-01T16:25:04Z) - Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。
Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。
コントリビューションの中心は、QGround-100Kデータセットの導入です。
論文 参考訳（メタデータ） (2024-07-24T06:42:46Z) - Perception- and Fidelity-aware Reduced-Reference Super-Resolution Image Quality Assessment [25.88845910499606]
PFIQA(Pual-branch reduce-reference SR-IQA network, ie, Perception- and Fidelity-aware SR-IQA)を提案する。
PFIQAは3つの広く使用されているSR-IQAベンチマークで現在の最先端モデルを上回っている。
論文 参考訳（メタデータ） (2024-05-15T16:09:22Z) - Exploiting Self-Supervised Constraints in Image Super-Resolution [72.35265021054471]
本稿では,SSC-SRと呼ばれる単一画像超解像のための新しい自己監督制約を提案する。
SSC-SRは、安定性を高めるために指数移動平均によって更新された二重非対称パラダイムとターゲットモデルを用いることで、画像の複雑さのばらつきに一意に対処する。
SSC-SRフレームワークはさまざまなベンチマークデータセットに対して,EDSR平均0.1dB,SwinIR平均0.06dBの大幅な拡張を実現している。
論文 参考訳（メタデータ） (2024-03-30T06:18:50Z) - QMRNet: Quality Metric Regression for EO Image Quality Assessment and
Super-Resolution [2.425299069769717]
我々は、異なる地球観測(EO)データセットに対して、最先端の超解法(SR)アルゴリズムをベンチマークする。
また,画像の任意の特性をトレーニングすることで,品質を予測できる新しい品質指標回帰ネットワーク(QMRNet)を提案する。
総合ベンチマークでは、LIIF、CAR、MSRNの有望な結果と、SR予測を最適化するためのロスとしてQMRNetが使用される可能性を示している。
論文 参考訳（メタデータ） (2022-10-12T22:51:13Z) - A No-Reference Deep Learning Quality Assessment Method for
Super-resolution Images Based on Frequency Maps [39.58198651685851]
本稿では,周波数マップに基づく非参照ディープラーニング画像品質評価手法を提案する。
まず、SRIの高周波マップ(HM)と低周波マップ(LM)を、Sobel演算子とスムーズな画像近似を用いて取得する。
提案手法は,選択した3つの超解像品質評価(SRQA)データベース上で比較したIQAモデルよりも優れている。
論文 参考訳（メタデータ） (2022-06-09T05:43:37Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳（メタデータ） (2022-06-07T14:55:32Z) - Textural-Structural Joint Learning for No-Reference Super-Resolution
Image Quality Assessment [59.91741119995321]
我々は、TSNetと呼ばれる品質予測のためのテキスト情報と構造情報を共同で探索するデュアルストリームネットワークを開発した。
画像の重要な領域に注意を払っている人間の視覚システム(HVS)を模倣することにより、視覚に敏感な領域をより区別しやすくするための空間的注意機構を開発する。
実験の結果,提案したTSNetは現状のIQA法よりも視覚的品質を正確に予測し,人間の視点との整合性を示した。
論文 参考訳（メタデータ） (2022-05-27T09:20:06Z) - SPQE: Structure-and-Perception-Based Quality Evaluation for Image
Super-Resolution [24.584839578742237]
超解像技術は画像の画質を大幅に改善し、解像度を向上した。
また、これらのアルゴリズムや生成された画像を評価するための効率的なSR画像品質評価(SR-IQA)も求めている。
深層学習ベースSRでは、生成した高品質で視覚的に喜ぶ画像は、対応する低品質の画像とは異なる構造を持つ可能性がある。
論文 参考訳（メタデータ） (2022-05-07T07:52:55Z) - 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)
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。