論文の概要: Quality Assessment of Super-Resolved Omnidirectional Image Quality Using
Tangential Views
- arxiv url: http://arxiv.org/abs/2101.10396v1
- Date: Mon, 25 Jan 2021 20:30:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 18:59:25.506436
- Title: Quality Assessment of Super-Resolved Omnidirectional Image Quality Using
Tangential Views
- Title（参考訳）: タンジェンシャルビューを用いた超解像全方位画質の品質評価
- Authors: Cagri Ozcinar and Aakanksha Rana
- Abstract要約: 全方位画像(ODI)は、特定の360度シーンのあらゆる方向を固定点から探索することを可能にする。
本稿では,GANベースおよびCNNベースSISR法により生成されたODIの品質測定を対象とする,客観的かつ完全な品質評価フレームワークを提案する。
設計したフレームワークに適応した広範に使われているフル参照SISR品質指標を用いて、最先端SISRの2つの手法を広範囲に評価した。
- 参考スコア（独自算出の注目度）: 11.825034741333374
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Omnidirectional images (ODIs), also known as 360-degree images, enable
viewers to explore all directions of a given 360-degree scene from a fixed
point. Designing an immersive imaging system with ODI is challenging as such
systems require very large resolution coverage of the entire 360 viewing space
to provide an enhanced quality of experience (QoE). Despite remarkable progress
on single image super-resolution (SISR) methods with deep-learning techniques,
no study for quality assessments of super-resolved ODIs exists to analyze the
quality of such SISR techniques. This paper proposes an objective,
full-reference quality assessment framework which studies quality measurement
for ODIs generated by GAN-based and CNN-based SISR methods. The quality
assessment framework offers to utilize tangential views to cope with the
spherical nature of a given ODIs. The generated tangential views are
distortion-free and can be efficiently scaled to high-resolution spherical data
for SISR quality measurement. We extensively evaluate two state-of-the-art SISR
methods using widely used full-reference SISR quality metrics adapted to our
designed framework. In addition, our study reveals that most objective metric
show high performance over CNN based SISR, while subjective tests favors
GAN-based architectures.
- Abstract（参考訳）: 全方位画像(odis)は360度画像としても知られ、与えられた360度シーンのあらゆる方向を一定地点から探索することができる。
ODIを用いた没入型イメージングシステムの設計は困難であり、360度視野全体の非常に大きな解像度カバレッジを必要とするため、QoE(Quality of Experience)が強化されます。
深層学習技術を用いた単一画像超解像法(SISR)の顕著な進歩にもかかわらず,超解像ODIの品質評価のための研究は存在しない。
本稿では,GANベースおよびCNNベースSISR法により生成されたODIの品質測定を対象とする,客観的かつ完全な品質評価フレームワークを提案する。
品質評価フレームワークは、与えられたodisの球面的性質に対処するために接線ビューを利用する。
生成されたタンジェンシャルビューは歪みがなく、SISR品質測定のために高分解能球面データに効率的にスケールできます。
設計したフレームワークに適応した広範に使われているフル参照SISR品質指標を用いて、最先端SISRの2つの手法を広範囲に評価した。
さらに,主観的テストではganベースのアーキテクチャが好まれるのに対し,客観的な測定基準ではcnnベースのsisrよりも高いパフォーマンスを示すことが明らかとなった。
関連論文リスト
- Perceptual Depth Quality Assessment of Stereoscopic Omnidirectional Images [10.382801621282228]
立体視全方位画像の高能率非参照(NR)深度品質評価のための目標品質評価モデルDQIを開発した。
人間の視覚システム(HVS)の知覚特性に触発されたDQIは,多色チャネル,適応型ビューポート選択,眼間不一致の特徴を基盤として構築されている。
論文 参考訳（メタデータ） (2024-08-19T16:28:05Z) - 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) - Assessor360: Multi-sequence Network for Blind Omnidirectional Image
Quality Assessment [50.82681686110528]
Blind Omnidirectional Image Quality Assessment (BOIQA)は、全方位画像(ODI)の人間の知覚品質を客観的に評価することを目的としている。
ODIの品質評価は、既存のBOIQAパイプラインがオブザーバのブラウジングプロセスのモデリングを欠いているという事実によって著しく妨げられている。
Assessor360と呼ばれるBOIQAのための新しいマルチシーケンスネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-18T13:55:28Z) - Blind Quality Assessment of 3D Dense Point Clouds with Structure Guided
Resampling [71.68672977990403]
本研究では,3次元高密度点雲の知覚的視覚的品質を自動評価するために,Structure Guided Resampling (SGR) を用いた客観的点雲品質指標を提案する。
提案するSGRは,参照情報の不要な汎用ブラインド品質評価手法である。
論文 参考訳（メタデータ） (2022-08-31T02:42:55Z) - 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) - Generative Adversarial Networks for Image Super-Resolution: A Survey [101.39605080291783]
単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。
近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。
本稿では,異なる視点からGANの比較研究を行う。
論文 参考訳（メタデータ） (2022-04-28T16:35:04Z) - 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) - Image Super-Resolution Quality Assessment: Structural Fidelity Versus
Statistical Naturalness [36.022063424485324]
単一画像スーパーリゾリューション(SISR)アルゴリズムは、低解像度(LR)のものと高リゾリューション(HR)画像を再構築する。
構造的忠実度と統計的自然度という2次元(2次元)空間におけるSISR生成画像の品質を評価する。
簡単な局所構造的忠実度とグローバルな統計的自然度測定の線形結合により、SISR画像の品質を驚くほど正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-05-15T04:31:48Z) - No-Reference Quality Assessment for 360-degree Images by Analysis of
Multi-frequency Information and Local-global Naturalness [26.614657212889398]
360度・全方位画像(OIs)は、仮想現実(VR)の普及により注目されている。
マルチ周波数情報と局所Global Naturalness(MFILGN)を用いた新しい非参照全方位画像品質評価アルゴリズム(NR OIQA)を提案する。
2つのOIQAデータベースの実験結果は、提案されたMFILGNが最先端のアプローチを上回っていることを示しています。
論文 参考訳（メタデータ） (2021-02-22T22:52:35Z) - Learning-Based Quality Assessment for Image Super-Resolution [25.76907513611358]
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。
論文 参考訳（メタデータ） (2020-12-16T04:06:27Z)
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。