論文の概要: QMRNet: Quality Metric Regression for EO Image Quality Assessment and
Super-Resolution
- arxiv url: http://arxiv.org/abs/2210.06618v2
- Date: Fri, 14 Oct 2022 13:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 12:33:44.070266
- Title: QMRNet: Quality Metric Regression for EO Image Quality Assessment and
Super-Resolution
- Title（参考訳）: qmrnet:eo画像品質評価と超解像のための品質指標回帰
- Authors: David Berga, Pau Gall\'es, Katalin Tak\'ats, Eva Mohedano, Laura
Riordan-Chen, Clara Garcia-Moll, David Vilaseca, Javier Mar\'in
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.425299069769717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Latest advances in Super-Resolution (SR) have been tested with general
purpose images such as faces, landscapes and objects, mainly unused for the
task of super-resolving Earth Observation (EO) images. In this research paper,
we benchmark state-of-the-art SR algorithms for distinct EO datasets using both
Full-Reference and No-Reference Image Quality Assessment (IQA) metrics. We also
propose a novel Quality Metric Regression Network (QMRNet) that is able to
predict quality (as a No-Reference metric) by training on any property of the
image (i.e. its resolution, its distortions...) and also able to optimize SR
algorithms for a specific metric objective. This work is part of the
implementation of the framework IQUAFLOW which has been developed for
evaluating image quality, detection and classification of objects as well as
image compression in EO use cases. We integrated our experimentation and tested
our QMRNet algorithm on predicting features like blur, sharpness, snr, rer and
ground sampling distance (GSD) and obtain validation medRs below 1.0 (out of
N=50) and recall rates above 95\%. Overall benchmark shows promising results
for LIIF, CAR and MSRN and also the potential use of QMRNet as Loss for
optimizing SR predictions. Due to its simplicity, QMRNet could also be used for
other use cases and image domains, as its architecture and data processing is
fully scalable.
- Abstract（参考訳）: 超解像(SR)の最近の進歩は、主に超解像地球観測(EO)の画像に使われていない顔、風景、物体などの一般的な目的の画像でテストされている。
本研究では,全参照および非参照画像品質評価(IQA)メトリクスを用いて,異なるEOデータセットに対する最先端SRアルゴリズムのベンチマークを行う。
また、画像の任意の特性(解像度、歪みなど)をトレーニングすることで品質(非参照メトリック)を予測でき、また、特定のメトリック目的のためにSRアルゴリズムを最適化できる新しい品質メトリック回帰ネットワーク(QMRNet)を提案する。
この研究は、画像の品質、検出、分類、およびEOのユースケースにおける画像圧縮を評価するために開発されたフレームワークIQUAFLOWの実装の一部である。
実験を統合し,ぼかし,シャープネス,snr,rer,地中サンプリング距離(gsd)などの特徴を予測したqmrnetアルゴリズムをテストし,1.0(n=50以下)以下の検証 medr と95\%以上のリコール率を得た。
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。
その単純さから、QMRNetはアーキテクチャとデータ処理が完全にスケーラブルであるため、他のユースケースや画像ドメインにも使用できる。
関連論文リスト
- Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。
そこで我々は,自動画像評価パイプラインを提案する。
その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文 参考訳（メタデータ） (2024-09-01T16:25:04Z) - Perception- and Fidelity-aware Reduced-Reference Super-Resolution Image Quality Assessment [25.88845910499606]
PFIQA(Pual-branch reduce-reference SR-IQA network, ie, Perception- and Fidelity-aware SR-IQA)を提案する。
PFIQAは3つの広く使用されているSR-IQAベンチマークで現在の最先端モデルを上回っている。
論文 参考訳（メタデータ） (2024-05-15T16:09:22Z) - CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution [55.50793823060282]
本稿では,画像超解像(SR)ネットワークのための新しいコンテント・アウェア・ダイナミック量子化(CADyQ)手法を提案する。
CADyQは、入力画像のローカル内容に基づいて、局所領域と層に最適なビットを適応的に割り当てる。
パイプラインは様々なSRネットワークでテストされ、いくつかの標準ベンチマークで評価されている。
論文 参考訳（メタデータ） (2022-07-21T07:50:50Z) - A No-Reference Deep Learning Quality Assessment Method for
Super-resolution Images Based on Frequency Maps [39.58198651685851]
本稿では,周波数マップに基づく非参照ディープラーニング画像品質評価手法を提案する。
まず、SRIの高周波マップ(HM)と低周波マップ(LM)を、Sobel演算子とスムーズな画像近似を用いて取得する。
提案手法は,選択した3つの超解像品質評価(SRQA)データベース上で比較したIQAモデルよりも優れている。
論文 参考訳（メタデータ） (2022-06-09T05:43:37Z) - 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) - SPQE: Structure-and-Perception-Based Quality Evaluation for Image
Super-Resolution [24.584839578742237]
超解像技術は画像の画質を大幅に改善し、解像度を向上した。
また、これらのアルゴリズムや生成された画像を評価するための効率的なSR画像品質評価(SR-IQA)も求めている。
深層学習ベースSRでは、生成した高品質で視覚的に喜ぶ画像は、対応する低品質の画像とは異なる構造を持つ可能性がある。
論文 参考訳（メタデータ） (2022-05-07T07:52:55Z) - 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) - 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) - Learning-Based Quality Assessment for Image Super-Resolution [25.76907513611358]
我々は,新しい半自動ラベリング手法を用いて,大規模sr画像データベースを構築する。
結果のSR画像品質データベースには、100の自然シーンの8,400の画像が含まれている。
特徴抽出にDNN(Deep Neural Networks)を用いたエンドツーエンドのDeep Image SR Quality(DISQ)モデルと、品質予測のためのFeature fusion Networkをトレーニングします。
論文 参考訳（メタデータ） (2020-12-16T04:06:27Z)
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。