論文の概要: Learning Conditional Knowledge Distillation for Degraded-Reference Image
Quality Assessment
- arxiv url: http://arxiv.org/abs/2108.07948v1
- Date: Wed, 18 Aug 2021 02:35:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-19 23:12:20.605835
- Title: Learning Conditional Knowledge Distillation for Degraded-Reference Image
Quality Assessment
- Title(参考訳): 劣化基準画像品質評価のための学習条件知識蒸留
- Authors: Heliang Zheng, Huan Yang, Jianlong Fu, Zheng-Jun Zha, Jiebo Luo
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 157.1292674649519
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: An important scenario for image quality assessment (IQA) is to evaluate image
restoration (IR) algorithms. The state-of-the-art approaches adopt a
full-reference paradigm that compares restored images with their corresponding
pristine-quality images. However, pristine-quality images are usually
unavailable in blind image restoration tasks and real-world scenarios. In this
paper, we propose a practical solution named degraded-reference IQA (DR-IQA),
which exploits the inputs of IR models, degraded images, as references.
Specifically, we extract reference information from degraded images by
distilling knowledge from pristine-quality images. The distillation is achieved
through learning a reference space, where various degraded images are
encouraged to share the same feature statistics with pristine-quality images.
And the reference space is optimized to capture deep image priors that are
useful for quality assessment. Note that pristine-quality images are only used
during training. Our work provides a powerful and differentiable metric for
blind IRs, especially for GAN-based methods. Extensive experiments show that
our results can even be close to the performance of full-reference settings.
- Abstract(参考訳): 画像品質評価(IQA)の重要なシナリオは、画像復元(IR)アルゴリズムを評価することである。
state-of-the-artアプローチは、復元された画像と対応するプリスティーヌ品質の画像を比較するフルリファレンスパラダイムを採用する。
しかしながら、プリスタンクオリティのイメージは通常、盲目の画像復元タスクや現実世界のシナリオでは利用できない。
本稿では,IRモデル,劣化画像の入力を参照として利用するDR-IQA(Degraded-Reference IQA)という実用的なソリューションを提案する。
具体的には,画質画像から知識を蒸留して劣化画像から参照情報を抽出する。
蒸留は参照空間を学習することで達成され、様々な劣化した画像は同じ特徴統計をプリスチン品質の画像と共有することが奨励される。
そして、参照スペースは、品質評価に有用な深い画像の優先順位をキャプチャするために最適化されます。
なお、純潔な画像は訓練時にのみ使用される。
我々の研究は、特にGANベースの手法において、盲点赤外線に対して強力で微分可能な計量を提供する。
大規模な実験により,全参照設定の性能に近い結果が得られた。
関連論文リスト
- Dual-Representation Interaction Driven Image Quality Assessment with Restoration Assistance [11.983231834400698]
歪み画像の非参照画像品質評価は、画像内容のばらつきと歪みの多様性のために常に難しい問題である。
以前のIQAモデルは、主に、品質スコア予測のための品質認識表現を得るために、合成画像の明示的な単一品質特徴を符号化していた。
低画質画像の劣化・品質情報を別々にモデル化するDRI法を提案する。
論文 参考訳(メタデータ) (2024-11-26T12:48:47Z) - 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) - Less is More: Learning Reference Knowledge Using No-Reference Image
Quality Assessment [58.09173822651016]
No-Reference Image Quality Assessment 設定で参照知識を学習することは可能であると論じる。
非整列参照画像から比較知識を学習するための新しいフレームワークを提案する。
8つの標準NR-IQAデータセットの実験は、最先端のNR-IQA法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2023-12-01T13:56:01Z) - Image Aesthetics Assessment via Learnable Queries [59.313054821874864]
本稿では,IAA-LQを用いた画像美学評価手法を提案する。
フリーズされた画像エンコーダから得られた事前訓練された画像特徴から、学習可能なクエリを適応して美的特徴を抽出する。
実世界のデータに関する実験では、IAA-LQの利点が示され、SRCCとPLCCでそれぞれ2.2%、そして2.1%が最先端の手法に勝っている。
論文 参考訳(メタデータ) (2023-09-06T09:42:16Z) - Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。
本研究では,変換器を用いた全参照IQAモデルの性能について検討する。
また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
論文 参考訳(メタデータ) (2022-04-27T10:21:08Z) - 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) - Can No-reference features help in Full-reference image quality
estimation? [20.491565297561912]
完全参照IQAタスクにおけるノン参照機能の利用について検討する。
我々のモデルは、多くの最先端アルゴリズムよりも高いSRCCとKRCCのスコアを達成する。
論文 参考訳(メタデータ) (2022-03-02T03:39:28Z) - 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) - A survey on IQA [0.0]
本稿では,画像品質評価と映像品質評価の概念と指標について概説する。
本報告では, 画像品質評価手法について概説し, 深層学習に基づく非参照画像品質評価手法に着目した。
論文 参考訳(メタデータ) (2021-08-29T10:52:27Z) - Perceptual Image Restoration with High-Quality Priori and Degradation
Learning [28.93489249639681]
本モデルは,復元画像と劣化画像の類似度を測定するのに有効であることを示す。
同時修復・拡張フレームワークは,実世界の複雑な分解型によく一般化する。
論文 参考訳(メタデータ) (2021-03-04T13:19:50Z)
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。