論文の概要: Evaluating the Stability of Deep Image Quality Assessment With Respect to Image Scaling

• arxiv url: http://arxiv.org/abs/2207.09856v1
• Date: Wed, 20 Jul 2022 12:44:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 14:08:38.643354
• Title: Evaluating the Stability of Deep Image Quality Assessment With Respect to Image Scaling
• Title（参考訳）: 画像スケーリングによる深部画像品質評価の安定性の評価
• Authors: Koki Tsubota, Hiroaki Akutsu and Kiyoharu Aizawa
• Abstract要約: 画像品質評価(IQA)は画像処理タスクの基本的な指標である。 本稿では,画像スケールがIQAの性能に影響を及ぼす要因であることを示す。
• 参考スコア（独自算出の注目度）: 43.291753358414255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image quality assessment (IQA) is a fundamental metric for image processing tasks (e.g., compression). With full-reference IQAs, traditional IQAs, such as PSNR and SSIM, have been used. Recently, IQAs based on deep neural networks (deep IQAs), such as LPIPS and DISTS, have also been used. It is known that image scaling is inconsistent among deep IQAs, as some perform down-scaling as pre-processing, whereas others instead use the original image size. In this paper, we show that the image scale is an influential factor that affects deep IQA performance. We comprehensively evaluate four deep IQAs on the same five datasets, and the experimental results show that image scale significantly influences IQA performance. We found that the most appropriate image scale is often neither the default nor the original size, and the choice differs depending on the methods and datasets used. We visualized the stability and found that PieAPP is the most stable among the four deep IQAs.
• Abstract（参考訳）: 画像品質評価(IQA)は、画像処理タスク(圧縮など)の基本的な指標である。 完全な参照IQAでは、PSNRやSSIMといった従来のIQAが使用されている。 近年、LPIPSやdisTSといったディープニューラルネットワーク(ディープIQA)に基づくIQAも使用されている。 画像のスケーリングは、前処理としてダウンスケーリングを行うものや、元の画像サイズを使用するものなど、深いIQAでは一貫性がないことが知られている。 本稿では,画像スケールがIQAの性能に影響を及ぼす要因であることを示す。 我々は,同じ5つのデータセット上で4つのディープIQAを総合的に評価し,実験結果から画像スケールがIQA性能に有意な影響を及ぼすことが示された。 その結果、最も適切な画像スケールはデフォルトでも元のサイズでもないことが多く、使用するメソッドやデータセットによって選択が異なります。 安定性を可視化した結果,PieAPPは4つの深いIQAの中で最も安定していることがわかった。

関連論文リスト

• 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)
• Descriptive Image Quality Assessment in the Wild [25.503311093471076]
  VLMに基づく画像品質評価(IQA)は、画像品質を言語的に記述し、人間の表現に合わせることを目指している。 野生における画像品質評価(DepictQA-Wild)について紹介する。 本手法は,評価タスクと比較タスク,簡潔かつ詳細な応答,完全参照,非参照シナリオを含む多機能IQAタスクパラダイムを含む。
  論文  参考訳（メタデータ） (2024-05-29T07:49:15Z)
• Dual-Branch Network for Portrait Image Quality Assessment [76.27716058987251]
  ポートレート画像品質評価のためのデュアルブランチネットワーク(PIQA)を提案する。 我々は2つのバックボーンネットワーク(textiti.e., Swin Transformer-B)を使用して、肖像画全体と顔画像から高品質な特徴を抽出する。 我々は、画像シーンの分類と品質評価モデルであるLIQEを利用して、品質認識とシーン固有の特徴を補助的特徴として捉えている。
  論文  参考訳（メタデータ） (2024-05-14T12:43:43Z)
• 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)
• Generalized Portrait Quality Assessment [26.8378202089832]
  本稿では,ポートレート品質評価(PQA)に対する学習に基づくアプローチを提案する。 提案手法はPIQ23ベンチマークの広範な実験により検証された。 FHIQAのソースコードは、PIQ23 GitHubリポジトリで公開されている。
  論文  参考訳（メタデータ） (2024-02-14T13:47:18Z)
• Can No-reference features help in Full-reference image quality estimation? [20.491565297561912]
  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。
  論文  参考訳（メタデータ） (2022-03-02T03:39:28Z)
• 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)
• MUSIQ: Multi-scale Image Quality Transformer [22.908901641767688]
  現在のIQA法は畳み込みニューラルネットワーク(CNN)に基づいている マルチスケール画像品質変換器(MUSIQ)を設計し,サイズやアスペクト比の異なるネイティブ解像度画像を処理する。 提案手法は,マルチスケールの画像表現により,様々な粒度で画像品質を捉えることができる。
  論文  参考訳（メタデータ） (2021-08-12T23:36:22Z)
• 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)

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。