論文の概要: FUNQUE: Fusion of Unified Quality Evaluators
- arxiv url: http://arxiv.org/abs/2202.11241v1
- Date: Wed, 23 Feb 2022 00:21:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 15:44:26.607344
- Title: FUNQUE: Fusion of Unified Quality Evaluators
- Title（参考訳）: FUNQUE: 統一品質評価器の融合
- Authors: Abhinau K. Venkataramanan, Cosmin Stejerean and Alan C. Bovik
- Abstract要約: 核融合による品質評価は、高性能な品質モデルを開発するための強力な方法として登場した。
統一品質評価器を融合した品質モデルであるFUNQUEを提案する。
- 参考スコア（独自算出の注目度）: 42.41484412777326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fusion-based quality assessment has emerged as a powerful method for
developing high-performance quality models from quality models that
individually achieve lower performances. A prominent example of such an
algorithm is VMAF, which has been widely adopted as an industry standard for
video quality prediction along with SSIM. In addition to advancing the
state-of-the-art, it is imperative to alleviate the computational burden
presented by the use of a heterogeneous set of quality models. In this paper,
we unify "atom" quality models by computing them on a common transform domain
that accounts for the Human Visual System, and we propose FUNQUE, a quality
model that fuses unified quality evaluators. We demonstrate that in comparison
to the state-of-the-art, FUNQUE offers significant improvements in both
correlation against subjective scores and efficiency, due to computation
sharing.
- Abstract（参考訳）: 核融合に基づく品質評価は、個別に低い性能を達成する品質モデルから高性能品質モデルを開発するための強力な方法として現れてきた。
そのようなアルゴリズムの顕著な例はVMAFであり、SSIMと共にビデオ品質予測の業界標準として広く採用されている。
最先端の技術の進歩に加えて、異質な品質モデルの使用による計算負荷の軽減が不可欠である。
本稿では,人間の視覚システムを考慮した共通変換領域で計算することにより,"原子"の品質モデルを統一し,統一された品質評価器を融合する品質モデルであるfunqueを提案する。
最新技術と比較すると,funqueは主観的スコアと効率との相関性において,計算共有により有意な改善が得られている。
関連論文リスト
- Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。
Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。
コントリビューションの中心は、QGround-100Kデータセットの導入です。
論文 参考訳（メタデータ） (2024-07-24T06:42:46Z) - Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。
提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
論文 参考訳（メタデータ） (2024-05-29T06:09:34Z) - Context Quality Matters in Training Fusion-in-Decoder for Extractive Open-Domain Question Answering [5.259846811078731]
Retrieval-augmented Generation Modelは、生成中に関連する外部知識(コンテキスト)を提供することで、言語モデルにエンコードされた知識を増大させる。
本稿では,モデル学習における文脈量と品質が,最新検索拡張生成モデルであるFusion-in-Decoder(FiD)の性能に与える影響について検討する。
論文 参考訳（メタデータ） (2024-03-21T07:47:57Z) - Uncertainty-aware No-Reference Point Cloud Quality Assessment [25.543217625958462]
本研究は,非参照点クラウド品質評価(PCQA)のための最初の確率的アーキテクチャを提案する。
提案手法は条件付き変分オートエンコーダ(AE)を用いて被験者の品質判定をモデル化できる。
実験により,本手法は従来の最先端手法を大きなマージンで模倣し,データセット間実験を行うことを示す。
論文 参考訳（メタデータ） (2024-01-17T02:25:42Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - Curiously Effective Features for Image Quality Prediction [8.55016170630223]
特徴抽出器の品質に加えて,その量も重要な役割を担っていることを示す。
この興味深い結果を分析し,特徴抽出器の品質に加えて,その量も重要な役割を担っていることを示す。
論文 参考訳（メタデータ） (2021-06-10T17:44:04Z) - How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating
and Auditing Generative Models [95.8037674226622]
ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。
当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
論文 参考訳（メタデータ） (2021-02-17T18:25:30Z) - Study on the Assessment of the Quality of Experience of Streaming Video [117.44028458220427]
本稿では,ストリーミング映像のQoEの主観的推定に対する様々な客観的要因の影響について検討する。
本論文では標準的および手作り的特徴を示し,その相関とp値を示す。
SQoE-IIIデータベースは、これまでで最大の、そして最も現実的なデータベースだ。
論文 参考訳（メタデータ） (2020-12-08T18:46:09Z) - Generating Adversarial Examples with an Optimized Quality [12.747258403133035]
ディープラーニングモデルは、Adversarial Examples(AE)に対して脆弱であり、これらのモデルを欺くために慎重に作られたサンプルである。
近年の研究では、新たな敵攻撃法が導入されたが、工芸品の品質は保証されていない。
本稿では,画像品質評価(IQA)メトリクスをAEの設計・生成プロセスに組み込む。
論文 参考訳（メタデータ） (2020-06-30T23:05:12Z) - Comparison of Image Quality Models for Optimization of Image Processing
Systems [41.57409136781606]
我々は、11のフル参照IQAモデルを使用して、4つの低レベル視覚タスクのためにディープニューラルネットワークをトレーニングします。
最適化された画像に対する主観的テストにより、それらの知覚的性能の観点から、競合するモデルのランク付けが可能となる。
論文 参考訳（メタデータ） (2020-05-04T09:26:40Z)
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。