論文の概要: Can No-reference features help in Full-reference image quality estimation?

• arxiv url: http://arxiv.org/abs/2203.00845v1
• Date: Wed, 2 Mar 2022 03:39:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 05:42:05.330034
• Title: Can No-reference features help in Full-reference image quality estimation?
• Title（参考訳）: 参照なし機能はフルリファレンス画像品質推定に有効か?
• Authors: Saikat Dutta, Sourya Dipta Das, Nisarg A. Shah
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.491565297561912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Development of perceptual image quality assessment (IQA) metrics has been of significant interest to computer vision community. The aim of these metrics is to model quality of an image as perceived by humans. Recent works in Full-reference IQA research perform pixelwise comparison between deep features corresponding to query and reference images for quality prediction. However, pixelwise feature comparison may not be meaningful if distortion present in query image is severe. In this context, we explore utilization of no-reference features in Full-reference IQA task. Our model consists of both full-reference and no-reference branches. Full-reference branches use both distorted and reference images, whereas No-reference branch only uses distorted image. Our experiments show that use of no-reference features boosts performance of image quality assessment. Our model achieves higher SRCC and KRCC scores than a number of state-of-the-art algorithms on KADID-10K and PIPAL datasets.
• Abstract（参考訳）: 知覚画像品質評価(IQA)メトリクスの開発は、コンピュータビジョンコミュニティにとって大きな関心を集めてきた。 これらの指標の目的は、人間が知覚する画像の品質をモデル化することである。 完全参照iqa研究の最近の研究は、品質予測のためにクエリと参照画像に対応する深い特徴をピクセル単位で比較する。 しかし、クエリ画像に存在する歪みが厳しい場合、ピクセル毎の特徴比較は意味をなさない。 本稿では,全参照IQAタスクにおける非参照機能の利用について検討する。 我々のモデルは完全な参照と参照なしのブランチから成り立っている。 フル参照ブランチは歪画像と参照画像の両方を使用し、No参照ブランチは歪画像のみを使用する。 実験の結果,参照なし機能の利用は画質評価の性能を高めることがわかった。 我々のモデルは、KADID-10KおよびPIPALデータセット上で、最先端のアルゴリズムよりも高いSRCCとKRCCスコアを達成する。

関連論文リスト

• Adaptive Image Quality Assessment via Teaching Large Multimodal Model to Compare [99.57567498494448]
  我々はLMMに基づくノン参照IQAモデルであるCompare2Scoreを紹介する。 トレーニング中、同じIQAデータセットの画像を比較することで、スケールアップ比較命令を生成する。 9つのIQAデータセットの実験により、Compare2Scoreは、トレーニング中にテキスト定義の比較レベルを効果的にブリッジすることを確認した。
  論文  参考訳（メタデータ） (2024-05-29T17:26:09Z)
• Reference-Free Image Quality Metric for Degradation and Reconstruction Artifacts [2.5282283486446753]
  品質要因予測器(QF)と呼ばれる基準のない品質評価ネットワークを開発する。 我々のQF予測器は7層からなる軽量で完全な畳み込みネットワークである。 JPEG圧縮画像パッチを入力としてランダムQFを受信し、対応するQFを正確に予測するように訓練する。
  論文  参考訳（メタデータ） (2024-05-01T22:28:18Z)
• Pairwise Comparisons Are All You Need [22.798716660911833]
  ブラインド画像品質評価(BIQA)アプローチは、様々な画像に一様に適用される一般的な品質基準に依存しているため、現実のシナリオでは不足することが多い。 本稿では、従来のBIQAの制限を回避すべく設計されたペアワイズ比較フレームワークであるPICNIQを紹介する。 PICNIQは、サイコメトリックスケーリングアルゴリズムを用いることで、対比較をジャストオブジェクタブルディファレンス(JOD)の品質スコアに変換し、画像品質の粒度と解釈可能な指標を提供する。
  論文  参考訳（メタデータ） (2024-03-13T23:43:36Z)
• Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
  上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。 提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T06:50:27Z)
• QMRNet: Quality Metric Regression for EO Image Quality Assessment and Super-Resolution [2.425299069769717]
  我々は、異なる地球観測(EO)データセットに対して、最先端の超解法(SR)アルゴリズムをベンチマークする。 また,画像の任意の特性をトレーニングすることで,品質を予測できる新しい品質指標回帰ネットワーク(QMRNet)を提案する。 総合ベンチマークでは、LIIF、CAR、MSRNの有望な結果と、SR予測を最適化するためのロスとしてQMRNetが使用される可能性を示している。
  論文  参考訳（メタデータ） (2022-10-12T22:51:13Z)
• 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)
• 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)

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。