論文の概要: Discovering Limitations of Image Quality Assessments with Noised Deep
Learning Image Sets
- arxiv url: http://arxiv.org/abs/2210.10249v1
- Date: Wed, 19 Oct 2022 02:15:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 13:52:38.984049
- Title: Discovering Limitations of Image Quality Assessments with Noised Deep
Learning Image Sets
- Title(参考訳): 雑音付きディープラーニング画像集合による画像品質評価の限界を明らかにする
- Authors: Wei Dai, Daniel Berleant
- Abstract要約: 画像品質評価(IQA)は,航空写真解釈から物体検出,医用画像解析に至るまで,様々な用途において重要な課題である。
科学者はIQAアルゴリズムを低解像度(32×32ピクセル/画像)、多摂動、大画像セットで評価していない。
本研究では,この2つのIQAアルゴリズムを実験的に検討した。
- 参考スコア(独自算出の注目度): 4.016928101928335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image quality is important, and it can affect overall performance in image
processing and computer vision as well as for numerous other reasons. Image
quality assessment (IQA) is consequently a vital task in different applications
from aerial photography interpretation to object detection to medical image
analysis. In previous research, the BRISQUE algorithm and the PSNR algorithm
were evaluated with high resolution ( 512*384 pixels per image), but relatively
small image sets (4,744 images). However, scientists have not evaluated IQA
algorithms on low resolution (32*32 pixels per image), multi-perturbation, big
image sets (for example, 60,000 different images not counting their
perturbations). This study explores these two IQA algorithms through
experimental investigation. We first chose two deep learning image sets,
CIFAR-10 and MNIST. Then, we added 68 perturbations that add noise to the
images in specific sequences and noise intensities. In addition, we tracked the
performance outputs of the two IQA algorithms with singly and multiply noised
images. After quantitatively analyzing experimental results, we report the
limitations of the two IQAs with these noised CIFAR-10 and MNIST image sets. We
also explain three potential root causes for performance degradation. These
findings point out weaknesses of the two IQA algorithms. The research results
provide guidance to scientists and engineers developing accurate, robust IQA
algorithms. In addition to supporting future scientific research and industrial
projects, all source codes are shared on the website:
https://github.com/caperock/imagequality
- Abstract(参考訳): 画像の品質は重要であり、画像処理やコンピュータビジョンにおける全体的なパフォーマンスにも影響しうる。
画像品質評価(IQA)は、航空写真解釈から物体検出、医用画像解析に至るまで、様々な用途において重要な課題である。
以前の研究では、BRISQUEアルゴリズムとPSNRアルゴリズムは高解像度(画像あたり512*384ピクセル)で評価されたが、比較的小さな画像集合(4,744イメージ)であった。
しかし、科学者はIQAアルゴリズムを低解像度(画像当たり32*32ピクセル)、多摂動、大画像セット(例えば、摂動を数えない6万の異なる画像)で評価していない。
本研究では,この2つのIQAアルゴリズムを実験的に検討した。
まず,CIFAR-10とMNISTの2つの深層学習画像群を選択した。
そして、特定のシーケンスやノイズ強度のイメージにノイズを付加する68個の摂動を加えた。
さらに,2つのIQAアルゴリズムの性能出力を,単発・乗算ノイズ画像を用いて追跡した。
実験結果を定量的に分析した後、これらのノイズ付きCIFAR-10とMNIST画像セットによる2つのIQAの限界を報告する。
また、性能劣化の根本原因を3つ説明します。
これらの結果は2つのIQAアルゴリズムの弱点を指摘する。
研究結果は、正確で堅牢なIQAアルゴリズムを開発する科学者やエンジニアにガイダンスを提供する。
将来の科学研究や産業プロジェクトのサポートに加えて、すべてのソースコードはウェブサイトで共有されている。
関連論文リスト
- ESIQA: Perceptual Quality Assessment of Vision-Pro-based Egocentric Spatial Images [70.68629648595677]
エゴセントリックな空間画像とビデオは、立体XRコンテンツの魅力的な形態として現れつつある。
エゴセントリック空間画像品質評価データベース(ESIQAD)は、エゴセントリック空間画像専用の最初のIQAデータベースである。
ESIQADには500枚のエゴ中心の空間画像、Apple Vision Proで撮影した400枚の画像、iPhoneの「Spatial Camera」アプリで生成された100枚の画像が含まれている。
論文 参考訳(メタデータ) (2024-07-31T06:20:21Z) - A Sanity Check for AI-generated Image Detection [49.08585395873425]
本稿では,AIによる画像検出の課題が解決されたかどうかの検査を行う。
既存の手法の一般化を定量化するために,Chameleonデータセット上で,既製のAI生成画像検出器を9つ評価した。
複数の専門家が同時に視覚的アーチファクトやノイズパターンを抽出するAI生成画像検出装置(AID)を提案する。
論文 参考訳(メタデータ) (2024-06-27T17:59:49Z) - AIGCOIQA2024: Perceptual Quality Assessment of AI Generated Omnidirectional Images [70.42666704072964]
我々はAI生成の全方位画像IQAデータベースAIIGCOIQA2024を構築した。
3つの視点から人間の視覚的嗜好を評価するために、主観的IQA実験を行った。
我々は,データベース上での最先端IQAモデルの性能を評価するためのベンチマーク実験を行った。
論文 参考訳(メタデータ) (2024-04-01T10:08:23Z) - Subjective and Objective Quality Assessment for in-the-Wild Computer
Graphics Images [57.02760260360728]
我々は6000のCGI(CGIQA-6k)からなる大規模CGIQAデータベースを構築した。
本稿では, 歪みと美的品質表現を両立させて, 効果的な深層学習に基づくno-reference (NR) IQAモデルを提案する。
実験の結果,提案手法は構築したCGIQA-6kデータベース上で,最先端のNR IQA法よりも優れていた。
論文 参考訳(メタデータ) (2023-03-14T16:32:24Z) - Confusing Image Quality Assessment: Towards Better Augmented Reality
Experience [96.29124666702566]
我々はAR技術を仮想シーンと実シーンの重ね合わせとみなし、視覚的混乱を基本的な理論として紹介する。
ConFusing Image Quality Assessment (CFIQA)データベースが構築され、600個の参照画像と300個の歪画像とをペアに混合して生成する。
また、難解な画像品質をよりよく評価するために、CFIQAと呼ばれる客観的な計量も提案されている。
論文 参考訳(メタデータ) (2022-04-11T07:03:06Z) - Image Quality Assessment for Magnetic Resonance Imaging [4.05136808278614]
画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を再現することを目的としている。
我々は、MRIに関連する問題を解決するために訓練されたニューラルネットワークモデルの出力を使用する。
7人の訓練された放射線学者が歪んだ画像を評価し、その判断は35の異なる画像品質指標と相関した。
論文 参考訳(メタデータ) (2022-03-15T11:52:29Z) - 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) - Exploring Low-light Object Detection Techniques [0.456877715768796]
物体検出タスクにどの画像強調アルゴリズムがより適しているかを考察する。
具体的には,基本ヒストグラム等化技術と画像翻訳技術について検討する。
我々は,すべての結果を比較し,平均精度(mAP)を計算し,今後の研究の方向性を示す。
論文 参考訳(メタデータ) (2021-07-30T01:11:11Z) - Image Quality Assessment for Perceptual Image Restoration: A New
Dataset, Benchmark and Metric [19.855042248822738]
画像品質評価(IQA)は、画像復元アルゴリズム(IR)の急速な発展の鍵となる要素である。
GAN(Generative Adversarial Network)に基づく最近のIRアルゴリズムは、視覚性能に大きな改善をもたらした。
既存のIQA手法は、最近のIRアルゴリズムを客観的に評価できるか?
論文 参考訳(メタデータ) (2020-11-30T17:06:46Z) - Cuid: A new study of perceived image quality and its subjective
assessment [30.698984450985318]
本研究では,実験室環境下で主観的評価を収集する画像品質知覚法を提案する。
画像の異なるカテゴリと異なる種類と歪みのレベルの組み合わせによって、品質知覚がどのように影響を受けるかを検討する。
論文 参考訳(メタデータ) (2020-09-28T13:14:45Z) - PIPAL: a Large-Scale Image Quality Assessment Dataset for Perceptual
Image Restoration [28.154286553282486]
画像品質評価(IQA)は、画像復元アルゴリズム(IR)の急速な発展の鍵となる要素である。
GAN(Generative Adversarial Networks)に基づく最近のIR手法は、視覚性能を著しく向上させた。
IQA法と超解像法の両方に対する新しいベンチマークを提案する。
論文 参考訳(メタデータ) (2020-07-23T17:15:25Z)
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。