論文の概要: Debiased Subjective Assessment of Real-World Image Enhancement
- arxiv url: http://arxiv.org/abs/2106.10080v1
- Date: Fri, 18 Jun 2021 12:03:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 14:00:06.095963
- Title: Debiased Subjective Assessment of Real-World Image Enhancement
- Title（参考訳）: 実世界画像エンハンスメントの偏差主観評価
- Authors: Cao Peibei. Wang Zhangyang, Ma Kede
- Abstract要約: 従来の主観的テストでは、小さな視覚的な例を手動で選択する必要がある。
適応的で多様な画像の集合を自動的にサンプリングすることで、従来の主観的評価を逸脱させる。
本稿では,3つの画像強調タスクを用いた主観評価手法について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In real-world image enhancement, it is often challenging (if not impossible)
to acquire ground-truth data, preventing the adoption of distance metrics for
objective quality assessment. As a result, one often resorts to subjective
quality assessment, the most straightforward and reliable means of evaluating
image enhancement. Conventional subjective testing requires manually
pre-selecting a small set of visual examples, which may suffer from three
sources of biases: 1) sampling bias due to the extremely sparse distribution of
the selected samples in the image space; 2) algorithmic bias due to potential
overfitting the selected samples; 3) subjective bias due to further potential
cherry-picking test results. This eventually makes the field of real-world
image enhancement more of an art than a science. Here we take steps towards
debiasing conventional subjective assessment by automatically sampling a set of
adaptive and diverse images for subsequent testing. This is achieved by casting
sample selection into a joint maximization of the discrepancy between the
enhancers and the diversity among the selected input images. Careful visual
inspection on the resulting enhanced images provides a debiased ranking of the
enhancement algorithms. We demonstrate our subjective assessment method using
three popular and practically demanding image enhancement tasks: dehazing,
super-resolution, and low-light enhancement.
- Abstract（参考訳）: 実世界の画像エンハンスメントでは、接地データを取得することはしばしば困難であり(不可能ではないにせよ)、客観的品質評価のための距離メトリクスの採用を妨げている。
結果として、画像エンハンスメントを評価する最も単純で信頼性の高い方法である主観的品質評価に頼ることが多い。
従来の主観的テストでは、画像空間における選択されたサンプルの極めてスパースな分布によるバイアスのサンプリング、選択されたサンプルの潜在的な過剰によるアルゴリズム的バイアス、さらなるチェリーピッキングテスト結果による主観的バイアスの3つのバイアスを、手動で事前選択する必要がある。
これにより、現実世界の画像エンハンスメントの分野は、科学よりも芸術的になる。
ここでは, 適応的, 多様な画像を自動的にサンプリングすることにより, 従来の主観的評価を逸脱させる。
これにより、サンプル選択を、選択された入力画像間のエンハンサー間の差分と多様性の結合最大化にキャストする。
得られた拡張画像の注意深い視覚検査は、拡張アルゴリズムの偏りのないランキングを提供する。
我々は,デハジング,スーパーレゾリューション,低光度エンハンスメントという3つの画像エンハンスメントタスクを用いて主観評価手法を示す。
関連論文リスト
- GradBias: Unveiling Word Influence on Bias in Text-to-Image Generative Models [75.04426753720553]
開集合におけるバイアスを特定し,定量化し,説明するための枠組みを提案する。
このパイプラインはLarge Language Model (LLM)を活用して、一連のキャプションから始まるバイアスを提案する。
このフレームワークには、OpenBiasとGradBiasの2つのバリエーションがあります。
論文 参考訳（メタデータ） (2024-08-29T16:51:07Z) - Sampling Strategies for Mitigating Bias in Face Synthesis Methods [12.604667154855532]
本稿では,Flickr Faces データセット HQ で訓練されたStyleGAN2 生成モデルのバイアスについて検討する。
我々は、性別と年齢という2つの保護された属性に注目し、ランダムにサンプリングされた画像が、非常に若く、非常に高齢なグループや、女性の顔に対して分布することを明らかにする。
論文 参考訳（メタデータ） (2024-05-18T15:30:14Z) - Beyond MOS: Subjective Image Quality Score Preprocessing Method Based on Perceptual Similarity [2.290956583394892]
ITU-R BT.500、ITU-T P.910、ITU-T P.913は、当初の世論点をクリアするために標準化されている。
PSPは画像間の知覚的類似性を利用して、より注釈の少ないシナリオにおける主観的バイアスを軽減する。
論文 参考訳（メタデータ） (2024-04-30T16:01:14Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - Spuriosity Rankings: Sorting Data to Measure and Mitigate Biases [62.54519787811138]
本稿では,突発的手がかりに依存したモデルバイアスを簡易かつ効果的に測定・緩和する手法を提案する。
我々は,解釈可能なネットワークの深部神経的特徴をベースとして,それらのクラス内の画像のランク付けを行う。
以上の結果から,素早い特徴依存によるモデルバイアスは,モデルがどのようにトレーニングされたかよりも,モデルがトレーニングされていることの影響がはるかに大きいことが示唆された。
論文 参考訳（メタデータ） (2022-12-05T23:15:43Z) - DASH: Visual Analytics for Debiasing Image Classification via
User-Driven Synthetic Data Augmentation [27.780618650580923]
画像分類モデルは、訓練データにおいて、入力特徴と出力クラスとの間の無関係な共起に基づいてクラスを予測することをしばしば学習する。
我々は、望ましくない相関を「データバイアス」と呼び、データバイアスを引き起こす視覚的特徴を「バイアス要因」と呼んでいる。
人間の介入なしにバイアスを自動的に識別し緩和することは困難である。
論文 参考訳（メタデータ） (2022-09-14T00:44:41Z) - Improving Evaluation of Debiasing in Image Classification [29.711865666774017]
本研究は,画像分類におけるデバイアス評価を行う際には,いくつかの課題を解決する必要があることを示唆する。
このような問題に基づいて,チューニング基準に対する評価基準であるAlign-Conflict(AC)スコアを提案する。
われわれの発見と教訓は、未来の研究者に偏見を刺激し、最先端のパフォーマンスをさらに押し上げ、公正な比較を行うことを信じている。
論文 参考訳（メタデータ） (2022-06-08T05:24:13Z) - Towards Bidirectional Arbitrary Image Rescaling: Joint Optimization and
Cycle Idempotence [76.93002743194974]
本稿では、任意の再スケーリング(アップスケーリングとダウンスケーリングの両方)を統一プロセスとして扱う方法を提案する。
提案モデルでは、アップスケーリングとダウンスケーリングを同時に学習し、双方向の任意のイメージ再スケーリングを実現する。
繰り返しにダウンスケーリング・アップスケーリング・サイクルが適用された場合, 復元精度が著しく低下することなく, サイクルイデオポテンス試験において堅牢であることが確認された。
論文 参考訳（メタデータ） (2022-03-02T07:42:15Z) - Advanced Deep Learning Methodologies for Skin Cancer Classification in
Prodromal Stages [0.3058685580689604]
提案した研究は2つの主要なフェーズから構成される。
第1フェーズでは、画像が前処理され、クラッタが除去され、訓練画像の洗練されたバージョンが生成される。
実験の結果,両ネットワークの精細化版を用いて,列車および検証精度の顕著な向上を示した。
アートインセプション-v3ネットワークを用いた最終テスト精度は86%であった。
論文 参考訳（メタデータ） (2020-03-13T16:07:00Z) - I Am Going MAD: Maximum Discrepancy Competition for Comparing
Classifiers Adaptively [135.7695909882746]
我々は、MAD(Maximum Discrepancy)コンペティションを命名する。
任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。
結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
論文 参考訳（メタデータ） (2020-02-25T03:32:29Z) - Informative Sample Mining Network for Multi-Domain Image-to-Image
Translation [101.01649070998532]
本稿では,画像から画像への翻訳作業において,サンプル選択戦略の改善が有効であることを示す。
本稿では,サンプルの硬さを抑えつつ,サンプルの硬さを抑えるための新しい多段階サンプルトレーニング手法を提案する。
論文 参考訳（メタデータ） (2020-01-05T05:48:02Z)
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。