論文の概要: Deep Neural Networks for Blind Image Quality Assessment: Addressing the
Data Challenge
- arxiv url: http://arxiv.org/abs/2109.12161v1
- Date: Fri, 24 Sep 2021 19:48:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:19:43.417618
- Title: Deep Neural Networks for Blind Image Quality Assessment: Addressing the
Data Challenge
- Title(参考訳): ブラインド画像品質評価のためのディープニューラルネットワーク - データチャレンジへの取り組み-
- Authors: Shahrukh Athar, Zhongling Wang, Zhou Wang
- Abstract要約: 主観的テストの制約により、数百万の画像からなる人格分類IQAデータセットを作成することは困難である。
EONSSと呼ばれるDNNベースのBIQAモデルを構築し、Waterloo Exploration-IIでトレーニングし、9つの主観評価IQAデータセット上でテストする。
- 参考スコア(独自算出の注目度): 20.97986692607478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The enormous space and diversity of natural images is usually represented by
a few small-scale human-rated image quality assessment (IQA) datasets. This
casts great challenges to deep neural network (DNN) based blind IQA (BIQA),
which requires large-scale training data that is representative of the natural
image distribution. It is extremely difficult to create human-rated IQA
datasets composed of millions of images due to constraints of subjective
testing. While a number of efforts have focused on design innovations to
enhance the performance of DNN based BIQA, attempts to address the scarcity of
labeled IQA data remain surprisingly missing. To address this data challenge,
we construct so far the largest IQA database, namely Waterloo Exploration-II,
which contains 3,570 pristine reference and around 3.45 million singly and
multiply distorted images. Since subjective testing for such a large dataset is
nearly impossible, we develop a novel mechanism that synthetically assigns
perceptual quality labels to the distorted images. We construct a DNN-based
BIQA model called EONSS, train it on Waterloo Exploration-II, and test it on
nine subject-rated IQA datasets, without any retraining or fine-tuning. The
results show that with a straightforward DNN architecture, EONSS is able to
outperform the very state-of-the-art in BIQA, both in terms of quality
prediction performance and execution speed. This study strongly supports the
view that the quantity and quality of meaningfully annotated training data,
rather than a sophisticated network architecture or training strategy, is the
dominating factor that determines the performance of DNN-based BIQA models.
(Note: Since this is an ongoing project, the final versions of Waterloo
Exploration-II database, quality annotations, and EONSS, will be made publicly
available in the future when it culminates.)
- Abstract(参考訳): 自然画像の膨大な空間と多様性は、通常、少数の小規模の人間による画像品質評価(IQA)データセットで表される。
これは、自然画像分布を表す大規模トレーニングデータを必要とするディープニューラルネットワーク(dnn)ベースのブラインドiqa(biqa)に大きな課題を投げかける。
主観的テストの制約により、数百万の画像からなる人格分類IQAデータセットを作成することは極めて困難である。
多くの取り組みがDNNベースのBIQAの性能向上に重点を置いているが、ラベル付きIQAデータの不足に対処しようとする試みは驚くほど欠落している。
この課題に対処するため、我々はこれまでに最大のIQAデータベースであるWaterloo Exploration-IIを構築した。
このような大規模データセットに対する主観的テストはほとんど不可能であるため、歪み画像に知覚品質ラベルを合成的に割り当てる機構を開発する。
我々は、EONSSと呼ばれるDNNベースのBIQAモデルを構築し、Waterloo Exploration-IIでトレーニングし、9つの主観評価IQAデータセットでテストする。
その結果、単純なDNNアーキテクチャにより、EONSSは品質予測性能と実行速度の両方において、BIQAの最先端技術よりも優れていることがわかった。
本研究は,高度ネットワークアーキテクチャやトレーニング戦略ではなく,有意義な注釈付きトレーニングデータの量と品質が,DNNベースのBIQAモデルの性能を決定する支配要因である,という見解を強く支持する。
(注:これは現在進行中のプロジェクトなので、Waterloo Exploration-IIデータベース、品質アノテーション、EONSSの最終バージョンは、完成時に公開される予定である。)
関連論文リスト
- Transformer-based No-Reference Image Quality Assessment via Supervised
Contrastive Learning [36.695247860715874]
本稿では,新しいコントラスト学習 (Contrastive Learning, SCL) と NR-IQA モデル SaTQA を提案する。
まず、SCLによる大規模合成データセット上にモデルをトレーニングし、様々な歪みタイプとレベルの画像の劣化特徴を抽出する。
画像から歪み情報を抽出するために,CNNインダクティブバイアスとTransformerの長期依存性モデリング機能を組み合わせることで,マルチストリームブロック(MSB)を組み込んだバックボーンネットワークを提案する。
7つの標準IQAデータセットの実験結果から、SaTQAは合成データセットと認証データセットの両方において最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-12-12T06:01:41Z) - AGIQA-3K: An Open Database for AI-Generated Image Quality Assessment [62.8834581626703]
我々はこれまでに最も包括的な主観的品質データベース AGIQA-3K を構築している。
このデータベース上でベンチマーク実験を行い、現在の画像品質評価(IQA)モデルと人間の知覚との整合性を評価する。
我々は、AGIQA-3Kの微粒な主観的スコアが、その後のAGI品質モデルにヒトの主観的知覚機構に適合するよう促すと信じている。
論文 参考訳(メタデータ) (2023-06-07T18:28:21Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳(メタデータ) (2022-11-09T14:57:27Z) - Attentions Help CNNs See Better: Attention-based Hybrid Image Quality
Assessment Network [20.835800149919145]
画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を定量化することを目的としている。
GAN(Generative Adversarial Network)によって生成された歪み画像を、一見現実的なテクスチャで評価する際の性能低下がある。
本稿では,AHIQ(Hybrid Image Quality Assessment Network)を提案する。
論文 参考訳(メタデータ) (2022-04-22T03:59:18Z) - 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) - Continual Learning for Blind Image Quality Assessment [80.55119990128419]
ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。
最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。
モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
論文 参考訳(メタデータ) (2021-02-19T03:07:01Z) - Multi-pooled Inception features for no-reference image quality
assessment [0.0]
畳み込みニューラルネットワーク(CNN)を用いた画像品質評価の新しい手法を提案する。
従来の手法とは対照的に、入力画像からパッチを取らない。代わりに、入力画像は全体として処理され、事前訓練されたCNN本体を通して実行され、解像度に依存しない多段階の深い特徴を抽出する。
我々は、MultiGAP-NRIQAと呼ばれるベストな提案が、3つのベンチマークIQAデータベースに対して最先端の結果を提供することができることを実証した。
論文 参考訳(メタデータ) (2020-11-10T15:09:49Z) - Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and
Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。
我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。
6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文 参考訳(メタデータ) (2020-05-28T13:35:23Z) - MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment [73.55944459902041]
本稿では,深層メタラーニングに基づく非参照IQA尺度を提案する。
まず、様々な歪みに対してNR-IQAタスクを収集する。
次にメタラーニングを用いて、多彩な歪みによって共有される事前知識を学習する。
大規模な実験により、提案された計量は最先端の技術を大きなマージンで上回ることを示した。
論文 参考訳(メタデータ) (2020-04-11T23:36:36Z) - Active Fine-Tuning from gMAD Examples Improves Blind Image Quality
Assessment [29.196117743753813]
我々は,gMADの例をブラインドIQA法(BIQA法)の改善に利用できることを示す。
具体的には、まず、複数のノイズアノテータを用いたDNNベースのBIQAモデルを事前訓練する。
次に、ベースラインモデルとgMADの完全な参照IQA手法のセットを比較して、画像のペアを求める。
論文 参考訳(メタデータ) (2020-03-08T21:19:01Z)
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。