Fugu-MT 論文翻訳(概要): Weighted Fuzzy-Based PSNR for Watermarking

論文の概要: Weighted Fuzzy-Based PSNR for Watermarking

arxiv url: http://arxiv.org/abs/2101.08502v1
Date: Thu, 21 Jan 2021 08:41:05 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 17:33:34.742845
Title: Weighted Fuzzy-Based PSNR for Watermarking
Title（参考訳）: 重み付きファジィを用いた透かし用PSNR
Authors: Maedeh Jamali, Nader Karimi, Shadrokh Samavi
Abstract要約: 本稿では,人間の視覚システムに基づく画像の必須部分の探索を試みる重み付きファジィに基づく基準を提案する。実験結果と標準PSNRを比較し,実験結果との比較を行った。
参考スコア（独自算出の注目度）: 12.549900112862769
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One of the problems of conventional visual quality evaluation criteria such as PSNR and MSE is the lack of appropriate standards based on the human visual system (HVS). They are calculated based on the difference of the corresponding pixels in the original and manipulated image. Hence, they practically do not provide a correct understanding of the image quality. Watermarking is an image processing application in which the image's visual quality is an essential criterion for its evaluation. Watermarking requires a criterion based on the HVS that provides more accurate values than conventional measures such as PSNR. This paper proposes a weighted fuzzy-based criterion that tries to find essential parts of an image based on the HVS. Then these parts will have larger weights in computing the final value of PSNR. We compare our results against standard PSNR, and our experiments show considerable consequences.
Abstract（参考訳）: PSNR や MSE のような従来の視覚品質評価基準の問題点の1つは、人間の視覚システム(HVS)に基づく適切な基準の欠如である。原画像と操作画像の対応する画素の差に基づいて算出する。したがって、それらは実際には画質の正確な理解を提供していない。ウォーターマーキング(Watermarking)は、画像の視覚的品質が評価に不可欠な基準である画像処理アプリケーションである。透かしには、PSNRなどの従来の指標よりも正確な値を提供するHVSに基づく基準が必要である。本稿では,HVSに基づく画像の基本部分を見つけるために,重み付きファジィ基準を提案する。その後、これらの部品はPSNRの最終値を計算する際により大きな重みを持つ。実験結果と標準PSNRを比較した結果,有意な結果が得られた。

関連論文リスト

Underwater Image Quality Assessment: A Perceptual Framework Guided by Physical Imaging [52.860312888450096]
PIGUIQAと呼ばれる水中画像品質評価(UIQA)のための物理画像誘導フレームワークを提案する。提案手法に物理に基づく水中画像推定を取り入れ,直接透過減衰と後方散乱が画質に与える影響を計測する歪み測定値を定義した。 PIGUIQAは水中画像品質予測における最先端性能を実現し,高い一般化性を示す。
論文参考訳（メタデータ） (2024-12-20T03:31:45Z)
Fine-grained subjective visual quality assessment for high-fidelity compressed images [4.787528476079247]
JPEG標準化プロジェクトであるAICは、高忠実度画像に対する主観的な画質評価手法を開発している。本稿では,提案手法,高品質な圧縮画像のデータセット,およびそれに対応するクラウドソースによる視覚的品質評価について述べる。また、単に目立った差分(JND)単位で品質スケールの値を再構築するデータ分析のアプローチも概説している。
論文参考訳（メタデータ） (2024-10-12T11:37:19Z)
Dual-Branch Network for Portrait Image Quality Assessment [76.27716058987251]
ポートレート画像品質評価のためのデュアルブランチネットワーク(PIQA)を提案する。我々は2つのバックボーンネットワーク(textiti.e., Swin Transformer-B)を使用して、肖像画全体と顔画像から高品質な特徴を抽出する。我々は、画像シーンの分類と品質評価モデルであるLIQEを利用して、品質認識とシーン固有の特徴を補助的特徴として捉えている。
論文参考訳（メタデータ） (2024-05-14T12:43:43Z)
Reference-Free Image Quality Metric for Degradation and Reconstruction Artifacts [2.5282283486446753]
品質要因予測器(QF)と呼ばれる基準のない品質評価ネットワークを開発する。我々のQF予測器は7層からなる軽量で完全な畳み込みネットワークである。 JPEG圧縮画像パッチを入力としてランダムQFを受信し、対応するQFを正確に予測するように訓練する。
論文参考訳（メタデータ） (2024-05-01T22:28:18Z)
Compressed image quality assessment using stacking [4.971244477217376]
圧縮画像品質評価において、一般化は大きな課題であると見なすことができる。表示されたIQAには、セマンティック情報と低レベル情報の両方が使われ、人間の視覚システムを予測する。 clic2024の知覚画像チャレンジの品質ベンチマークの精度は79.6%に達した。
論文参考訳（メタデータ） (2024-02-01T20:12:26Z)
BAND-2k: Banding Artifact Noticeable Database for Banding Detection and Quality Assessment [52.1640725073183]
バンディングは階段のような輪郭としても知られ、圧縮または量子化アルゴリズムによって処理された画像やビデオの平坦な領域で頻繁に発生する。これまでに2000枚のバンド化画像からなるBanding Artifact Noticeable Database (BAND-2k) という,最大のBanding IQAデータベースを構築した。デュアル畳み込みニューラルネットワークを用いて、高周波および低周波マップから特徴表現を同時に学習する。
論文参考訳（メタデータ） (2023-11-29T15:56:31Z)
PIQI: Perceptual Image Quality Index based on Ensemble of Gaussian Process Regression [2.9412539021452715]
デジタル画像の品質を評価するためにPIQI(Perceptual Image Quality Index)を提案する。 PIQIの性能は6つのベンチマークデータベースでチェックされ、12の最先端の手法と比較される。
論文参考訳（メタデータ） (2023-05-16T06:44:17Z)
Subjective and Objective Quality Assessment for in-the-Wild Computer Graphics Images [57.02760260360728]
我々は6000のCGI(CGIQA-6k)からなる大規模CGIQAデータベースを構築した。本稿では, 歪みと美的品質表現を両立させて, 効果的な深層学習に基づくno-reference (NR) IQAモデルを提案する。実験の結果,提案手法は構築したCGIQA-6kデータベース上で,最先端のNR IQA法よりも優れていた。
論文参考訳（メタデータ） (2023-03-14T16:32:24Z)
Non-Reference Quality Monitoring of Digital Images using Gradient Statistics and Feedforward Neural Networks [0.1657441317977376]
デジタル画像の品質を評価するために,非参照品質指標を提案する。提案手法は,提案手法よりも高速で,画像系列の品質評価に利用することができる。
論文参考訳（メタデータ） (2021-12-27T20:21:55Z)
Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文参考訳（メタデータ） (2021-10-25T21:01:00Z)
Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
論文参考訳（メタデータ） (2021-08-18T02:35:08Z)

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。