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

• Exploring Rich Subjective Quality Information for Image Quality Assessment in the Wild [66.40314964321557]
  我々は,リッチIQAという新しいIQA手法を提案し,MOSを超えるリッチな主観的評価情報を探索し,野生における画像品質を予測する。 コンボリューショナル・ビジョン・トランスフォーマー(CvT)の強力な特徴表現能力を活用し、人間の脳の短期記憶機構と長期記憶機構を模倣する3段階画像品質予測ネットワークである。 RichIQAは、リッチな主観的評価ラベルを持つ複数の大規模IQAデータベースにおいて、最先端の競合より優れている。
  論文  参考訳（メタデータ） (2024-09-09T12:00:17Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [54.139923409101044]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Cross-IQA: Unsupervised Learning for Image Quality Assessment [3.2287957986061038]
  本稿では,視覚変換器(ViT)モデルに基づく非参照画像品質評価(NR-IQA)手法を提案する。 提案手法は,ラベルのない画像データから画像品質の特徴を学習することができる。 実験結果から,Cross-IQAは低周波劣化情報の評価において最先端の性能が得られることが示された。
  論文  参考訳（メタデータ） (2024-05-07T13:35:51Z)
• Large Multi-modality Model Assisted AI-Generated Image Quality Assessment [53.182136445844904]
  本稿では,AI生成画像品質評価モデル(MA-AGIQA)を提案する。 セマンティックインフォームドガイダンスを使用して意味情報を感知し、慎重に設計されたテキストプロンプトを通してセマンティックベクターを抽出する。 最先端のパフォーマンスを実現し、AI生成画像の品質を評価する上で優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-04-27T02:40:36Z)
• 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)
• 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。