論文の概要: Going the Extra Mile in Face Image Quality Assessment: A Novel Database
and Model
- arxiv url: http://arxiv.org/abs/2207.04904v2
- Date: Sun, 30 Jul 2023 14:12:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 00:47:17.581485
- Title: Going the Extra Mile in Face Image Quality Assessment: A Novel Database
and Model
- Title(参考訳): 顔画像品質評価における余分なミス:新しいデータベースとモデル
- Authors: Shaolin Su, Hanhe Lin, Vlad Hosu, Oliver Wiedemann, Jinqiu Sun, Yu
Zhu, Hantao Liu, Yanning Zhang, Dietmar Saupe
- Abstract要約: 現在までに開発された最大のアノテートIQAデータベースについて紹介する。
本稿では,顔画像の品質を正確に予測する新しいディープラーニングモデルを提案する。
- 参考スコア(独自算出の注目度): 42.05084438912876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An accurate computational model for image quality assessment (IQA) benefits
many vision applications, such as image filtering, image processing, and image
generation. Although the study of face images is an important subfield in
computer vision research, the lack of face IQA data and models limits the
precision of current IQA metrics on face image processing tasks such as face
superresolution, face enhancement, and face editing. To narrow this gap, in
this paper, we first introduce the largest annotated IQA database developed to
date, which contains 20,000 human faces -- an order of magnitude larger than
all existing rated datasets of faces -- of diverse individuals in highly varied
circumstances. Based on the database, we further propose a novel deep learning
model to accurately predict face image quality, which, for the first time,
explores the use of generative priors for IQA. By taking advantage of rich
statistics encoded in well pretrained off-the-shelf generative models, we
obtain generative prior information and use it as latent references to
facilitate blind IQA. The experimental results demonstrate both the value of
the proposed dataset for face IQA and the superior performance of the proposed
model.
- Abstract(参考訳): 画像品質評価のための正確な計算モデル(IQA)は、画像フィルタリング、画像処理、画像生成など多くの視覚的応用に有用である。
顔画像の研究はコンピュータビジョン研究において重要なサブフィールドであるが、顔IQAデータやモデルがないため、顔超解像、顔強調、顔編集などの顔画像処理タスクにおける現在のIQAメトリクスの精度が制限されている。
このギャップを狭めるために、本稿では、さまざまな状況において、これまで開発された最大の注釈付きIQAデータベースを紹介します。
さらに,データベースに基づいて顔画像の品質を正確に予測する新たなディープラーニングモデルを提案する。
プレトレーニング済みの既成生成モデルで符号化されたリッチな統計を利用して、生成前の情報を取得し、それを潜時参照として使用して、盲点IQAを促進する。
実験結果は,face iqaのための提案するデータセットの価値と,提案モデルの優れた性能の両方を示す。
関連論文リスト
- An Image Quality Assessment Dataset for Portraits [0.9786690381850354]
本稿では,PIQ23について紹介する。PIQ23は,100台のスマートフォンが取得した50のシナリオの5116枚の画像からなる,ポートレート固有のIQAデータセットである。
このデータセットには、さまざまな性別や民族の個人が含まれており、公開研究に使用される写真について、明確かつインフォームドな同意を与えている。
これらのアノテーションの詳細な統計解析により、PIQ23上での一貫性を評価することができる。
論文 参考訳(メタデータ) (2023-04-12T11:30:06Z) - Perceptual Attacks of No-Reference Image Quality Models with
Human-in-the-Loop [113.75573175709573]
NR-IQAモデルの知覚的堅牢性を調べるための最初の試みの1つを行う。
我々は,4つの完全参照IQAモデルの下で,知識駆動のNR-IQA法とデータ駆動のNR-IQA法を検証した。
4つのNR-IQAモデルは全て、提案した知覚的攻撃に対して脆弱であることがわかった。
論文 参考訳(メタデータ) (2022-10-03T13:47:16Z) - 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) - FaceQgen: Semi-Supervised Deep Learning for Face Image Quality
Assessment [19.928262020265965]
FaceQgenは、ジェネレーティブ・アドバイサル・ネットワークに基づく顔画像の非参照品質評価手法である。
顔認識精度に関連するスカラー品質尺度を生成する。
SCfaceデータベースを使用して、スクラッチからトレーニングされる。
論文 参考訳(メタデータ) (2022-01-03T17:22:38Z) - Task-Specific Normalization for Continual Learning of Blind Image
Quality Models [105.03239956378465]
視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。
このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。
我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。
最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
論文 参考訳(メタデータ) (2021-07-28T15:21:01Z) - 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) - 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) - 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。