論文の概要: DeepWSD: Projecting Degradations in Perceptual Space to Wasserstein
Distance in Deep Feature Space
- arxiv url: http://arxiv.org/abs/2208.03323v1
- Date: Fri, 5 Aug 2022 02:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 13:54:51.659471
- Title: DeepWSD: Projecting Degradations in Perceptual Space to Wasserstein
Distance in Deep Feature Space
- Title(参考訳): deepwsd:深部特徴空間における知覚空間からwasserstein距離への投影劣化
- Authors: Xigran Liao, Baoliang Chen, Hanwei Zhu, Shiqi Wang, Mingliang Zhou,
Sam Kwong
- Abstract要約: 本稿では,統計的分布の観点から知覚空間の品質劣化をモデル化する。
品質は、深い特徴領域におけるワッサーシュタイン距離に基づいて測定される。
ニューラルネットワークの特徴に基づいて実行されるディープワッサースタイン距離(ディープWSD)は、品質汚染のより良い解釈性をもたらす。
- 参考スコア(独自算出の注目度): 67.07476542850566
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing deep learning-based full-reference IQA (FR-IQA) models usually
predict the image quality in a deterministic way by explicitly comparing the
features, gauging how severely distorted an image is by how far the
corresponding feature lies from the space of the reference images. Herein, we
look at this problem from a different viewpoint and propose to model the
quality degradation in perceptual space from a statistical distribution
perspective. As such, the quality is measured based upon the Wasserstein
distance in the deep feature domain. More specifically, the 1DWasserstein
distance at each stage of the pre-trained VGG network is measured, based on
which the final quality score is performed. The deep Wasserstein distance
(DeepWSD) performed on features from neural networks enjoys better
interpretability of the quality contamination caused by various types of
distortions and presents an advanced quality prediction capability. Extensive
experiments and theoretical analysis show the superiority of the proposed
DeepWSD in terms of both quality prediction and optimization.
- Abstract(参考訳): 既存のディープラーニングベースのフル参照IQA(FR-IQA)モデルは、通常、特徴を明示的に比較することで、画像の品質を決定論的に予測し、対応する特徴が参照画像の空間からどれだけ遠くにあるかによって、画像がどれほどひどく歪んだかを示す。
本稿では,この問題を異なる視点から考察し,統計的分布の観点から知覚空間における品質劣化のモデル化を提案する。
これにより、深い特徴領域におけるwasserstein距離に基づいて品質を測定することができる。
具体的には、最終品質スコアに基づいて、予め訓練されたvggネットワークの各ステージにおける1dwasserstein距離を測定する。
ニューラルネットワークの特徴に基づいて行われるディープワッサースタイン距離(DeepWSD)は、様々な種類の歪みに起因する品質汚染のより良い解釈可能性を示し、高度な品質予測能力を示す。
大規模実験と理論解析により,提案したDeepWSDの精度予測と最適化の両面で優位性を示した。
関連論文リスト
- Underwater Image Quality Assessment: A Perceptual Framework Guided by Physical Imaging [52.860312888450096]
PIGUIQAと呼ばれる水中画像品質評価(UIQA)のための物理画像誘導フレームワークを提案する。
提案手法に物理に基づく水中画像推定を取り入れ,直接透過減衰と後方散乱が画質に与える影響を計測する歪み測定値を定義した。
PIGUIQAは水中画像品質予測における最先端性能を実現し,高い一般化性を示す。
論文 参考訳(メタデータ) (2024-12-20T03:31:45Z) - Perceptual Depth Quality Assessment of Stereoscopic Omnidirectional Images [10.382801621282228]
立体視全方位画像の高能率非参照(NR)深度品質評価のための目標品質評価モデルDQIを開発した。
人間の視覚システム(HVS)の知覚特性に触発されたDQIは,多色チャネル,適応型ビューポート選択,眼間不一致の特徴を基盤として構築されている。
論文 参考訳(メタデータ) (2024-08-19T16:28:05Z) - 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) - Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。
提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
論文 参考訳(メタデータ) (2023-03-31T16:01:03Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳(メタデータ) (2022-11-09T14:57:27Z) - Textural-Structural Joint Learning for No-Reference Super-Resolution
Image Quality Assessment [59.91741119995321]
我々は、TSNetと呼ばれる品質予測のためのテキスト情報と構造情報を共同で探索するデュアルストリームネットワークを開発した。
画像の重要な領域に注意を払っている人間の視覚システム(HVS)を模倣することにより、視覚に敏感な領域をより区別しやすくするための空間的注意機構を開発する。
実験の結果,提案したTSNetは現状のIQA法よりも視覚的品質を正確に予測し,人間の視点との整合性を示した。
論文 参考訳(メタデータ) (2022-05-27T09:20:06Z) - Visual Attention-based Self-supervised Absolute Depth Estimation using
Geometric Priors in Autonomous Driving [8.045833295463094]
空間的注意とチャネルの注意をすべてのステージに適用する,完全に視覚的注意に基づく奥行き(VADepth)ネットワークを導入する。
VADepthネットワークは、空間的およびチャネル的次元に沿った特徴の依存関係を長距離にわたって連続的に抽出することにより、重要な詳細を効果的に保存することができる。
KITTIデータセットの実験結果は、このアーキテクチャが最先端のパフォーマンスを達成することを示している。
論文 参考訳(メタデータ) (2022-05-18T08:01:38Z) - Deep Multi-Scale Features Learning for Distorted Image Quality
Assessment [20.7146855562825]
既存のディープニューラルネットワーク(DNN)はIQA問題に対処する上で大きな効果を示している。
画像品質予測のための階層的マルチスケール特徴を持つDNNを構築するためにピラミッド特徴学習を提案する。
提案するネットワークは、エンド・ツー・エンドの監視方法に最適化されている。
論文 参考訳(メタデータ) (2020-12-01T23:39:01Z) - SAFENet: Self-Supervised Monocular Depth Estimation with Semantic-Aware
Feature Extraction [27.750031877854717]
本稿では,セマンティック情報を活用して光度損失の限界を克服するSAFENetを提案する。
私たちのキーとなるアイデアは、意味的知識と幾何学的知識を統合するセマンティック・アウェア・ディープ機能を活用することです。
KITTIデータセットの実験では、我々の手法が最先端の手法と競合するか、さらに優れています。
論文 参考訳(メタデータ) (2020-10-06T17:22:25Z)
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。