論文の概要: Non-Reference Quality Monitoring of Digital Images using Gradient
Statistics and Feedforward Neural Networks
- arxiv url: http://arxiv.org/abs/2112.13893v1
- Date: Mon, 27 Dec 2021 20:21:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-31 07:44:54.973995
- Title: Non-Reference Quality Monitoring of Digital Images using Gradient
Statistics and Feedforward Neural Networks
- Title(参考訳): 勾配統計とフィードフォワードニューラルネットワークを用いたディジタル画像の非参照品質モニタリング
- Authors: Nisar Ahmed, Hafiz Muhammad Shahzad Asif, Hassan Khalid
- Abstract要約: デジタル画像の品質を評価するために,非参照品質指標を提案する。
提案手法は,提案手法よりも高速で,画像系列の品質評価に利用することができる。
- 参考スコア(独自算出の注目度): 0.1657441317977376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital images contain a lot of redundancies, therefore, compressions are
applied to reduce the image size without the loss of reasonable image quality.
The same become more prominent in the case of videos that contains image
sequences and higher compression ratios are achieved in low throughput
networks. Assessment of the quality of images in such scenarios becomes of
particular interest. Subjective evaluation in most of the scenarios becomes
infeasible so objective evaluation is preferred. Among the three objective
quality measures, full-reference and reduced-reference methods require an
original image in some form to calculate the quality score which is not
feasible in scenarios such as broadcasting or IP video. Therefore, a
non-reference quality metric is proposed to assess the quality of digital
images which calculates luminance and multiscale gradient statistics along with
mean subtracted contrast normalized products as features to train a Feedforward
Neural Network with Scaled Conjugate Gradient. The trained network has provided
good regression and R2 measures and further testing on LIVE Image Quality
Assessment database release-2 has shown promising results. Pearson, Kendall,
and Spearman's correlation are calculated between predicted and actual quality
scores and their results are comparable to the state-of-the-art systems.
Moreover, the proposed metric is computationally faster than its counterparts
and can be used for the quality assessment of image sequences.
- Abstract(参考訳): デジタル画像には多くの冗長性が含まれているため、画像品質を損なうことなく画像サイズを小さくするために圧縮を適用する。
画像シーケンスを含むビデオと高い圧縮比が低スループットネットワークで達成される場合には、同様のことがより顕著になる。
このようなシナリオにおける画像の品質評価は特に注目される。
ほとんどのシナリオにおける主観的評価は実現不可能となり、客観的評価が望ましい。
3つの客観的品質指標のうち、完全参照法と縮小参照法は、放送やipビデオのようなシナリオでは実現不可能な品質スコアを計算するために、何らかの形でオリジナル画像を必要とする。
そこで,非参照品質尺度を提案し,輝度と多スケール勾配の統計量を計算するデジタル画像の品質と平均減算コントラスト正規化積を,スケール化共役勾配を用いたフィードフォワードニューラルネットワークの学習機能として評価する。
トレーニングされたネットワークは、優れた回帰とR2測定を提供し、LIVE画像品質評価データベースリリース2でのさらなるテストは、有望な結果を示している。
ピアソン、ケンドール、スピアマンの相関は予測された品質スコアと実際の品質スコアの間で計算され、その結果は最先端のシステムに匹敵する。
さらに,提案手法は,提案手法よりも計算速度が速く,画像シーケンスの品質評価に使用できる。
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) - ARNIQA: Learning Distortion Manifold for Image Quality Assessment [28.773037051085318]
No-Reference Image Quality Assessment (NR-IQA) は、高品質な参照画像を必要としない、人間の知覚に合わせて画像品質を測定する手法を開発することを目的としている。
本研究では、画像歪み多様体をモデル化し、本質的な表現を得るための自己教師型アプローチ ARNIQA を提案する。
論文 参考訳(メタデータ) (2023-10-20T17:22:25Z) - PIQI: Perceptual Image Quality Index based on Ensemble of Gaussian
Process Regression [2.9412539021452715]
デジタル画像の品質を評価するためにPIQI(Perceptual Image Quality Index)を提案する。
PIQIの性能は6つのベンチマークデータベースでチェックされ、12の最先端の手法と比較される。
論文 参考訳(メタデータ) (2023-05-16T06:44:17Z) - Re-IQA: Unsupervised Learning for Image Quality Assessment in the Wild [38.197794061203055]
教師なし環境で高レベルのコンテンツと低レベルの画像品質特徴を学習するために、2つの異なるエンコーダを訓練するためのMixture of Expertsアプローチを提案する。
本稿では,Re-IQAフレームワークから得られた高次・低次画像表現を,線形回帰モデルをトレーニングするために展開する。
本手法は,大規模画像品質評価データベース上での最先端性能を実現する。
論文 参考訳(メタデータ) (2023-04-02T05:06:51Z) - Learning Transformer Features for Image Quality Assessment [53.51379676690971]
本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。
提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
論文 参考訳(メタデータ) (2021-12-01T13:23:00Z) - 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) - Learning Conditional Knowledge Distillation for Degraded-Reference Image
Quality Assessment [157.1292674649519]
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。
論文 参考訳(メタデータ) (2021-08-18T02:35:08Z) - Towards Unsupervised Deep Image Enhancement with Generative Adversarial
Network [92.01145655155374]
監視されていない画像強調生成ネットワーク(UEGAN)を提案する。
教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。
その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
論文 参考訳(メタデータ) (2020-12-30T03:22:46Z) - Perceptually Optimizing Deep Image Compression [53.705543593594285]
平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。
本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
論文 参考訳(メタデータ) (2020-07-03T14:33:28Z) - 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)
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。