論文の概要: IQUAFLOW: A new framework to measure image quality

• arxiv url: http://arxiv.org/abs/2210.13269v1
• Date: Mon, 24 Oct 2022 14:10:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 13:10:19.252378
• Title: IQUAFLOW: A new framework to measure image quality
• Title（参考訳）: IQUAFLOW: 画像品質を測定するための新しいフレームワーク
• Authors: P. Gall\'es (1), K. Takats (1), M. Hern\'andez-Cabronero (2), D. Berga (3), L. Pega (1), L. Riordan-Chen (1), C. Garcia (1), G. Becker (1), A. Garriga (3), A. Bukva (3), J. Serra-Sagrist\`a (2), D. Vilaseca (1), J. Mar\'in (1) ((1) Satellogic Inc, (2) Universitat Aut\`onoma de Barcelona - UAB-DEIC-GICI, (3) EURECAT - Multimedia Technologies Unit)
• Abstract要約: iquaflowは画像の品質を評価するツールセットを提供する。 ユーザーは簡単に統合できるカスタムメトリクスを追加できる。 iquaflowは、画像上でトレーニングされたAIモデルのパフォーマンスをプロキシとして使用することで、品質を測定することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: IQUAFLOW is a new image quality framework that provides a set of tools to assess image quality. The user can add custom metrics that can be easily integrated. Furthermore, iquaflow allows to measure quality by using the performance of AI models trained on the images as a proxy. This also helps to easily make studies of performance degradation of several modifications of the original dataset, for instance, with images reconstructed after different levels of lossy compression; satellite images would be a use case example, since they are commonly compressed before downloading to the ground. In this situation, the optimization problem consists in finding the smallest images that provide yet sufficient quality to meet the required performance of the deep learning algorithms. Thus, a study with iquaflow is suitable for such case. All this development is wrapped in Mlflow: an interactive tool used to visualize and summarize the results. This document describes different use cases and provides links to their respective repositories. To ease the creation of new studies, we include a cookie-cutter repository. The source code, issue tracker and aforementioned repositories are all hosted on GitHub https://github.com/satellogic/iquaflow.
• Abstract（参考訳）: IQUAFLOWは、画像品質を評価するツールセットを提供する新しい画像品質フレームワークである。 ユーザーは簡単に統合できるカスタムメトリクスを追加できる。 さらに、iquaflowでは、イメージ上でトレーニングされたAIモデルのパフォーマンスをプロキシとして使用することで、品質を測定することができる。 これはまた、元のデータセットのいくつかの変更(例えば、異なるレベルの損失圧縮の後に画像が再構成された場合)のパフォーマンス低下の研究にも役立ち、衛星画像は一般に地上にダウンロードする前に圧縮されるため、ユースケースの例となる。 この状況では、最適化問題は、ディープラーニングアルゴリズムの必要な性能を満たすのに十分な品質を提供する最小の画像を見つけることにある。 このような場合、iquaflowを用いた研究が適している。 この開発はすべてMlflowで包まれており、結果を視覚化し要約するために使用されるインタラクティブツールである。 この文書は異なるユースケースを記述し、それぞれのリポジトリへのリンクを提供する。 新しい研究を簡単にするために、Cookie-cutterリポジトリを含めます。 ソースコード、イシュートラッカ、前述のリポジトリはすべてgithub https://github.com/satellogic/iquaflowにホストされている。

関連論文リスト

• Multi-Feature Aggregation in Diffusion Models for Enhanced Face Super-Resolution [6.055006354743854]
  超解像を生成するために,複数の低画質画像から抽出した特徴と組み合わせた低解像度画像を利用するアルゴリズムを開発した。 他のアルゴリズムとは異なり、我々のアプローチは属性情報を明示的に提供せずに顔の特徴を復元する。 これは、高解像度画像と低解像度画像を組み合わせて、より信頼性の高い超高解像度画像を生成するコンディショナーとして初めて使用される。
  論文  参考訳（メタデータ） (2024-08-27T20:08:33Z)
• Object Detection performance variation on compressed satellite image datasets with iquaflow [0.0]
  iquaflowは、画像データセットを変更することで、画質とモデルパフォーマンスの変化を研究するように設計されている。 公開画像データセットを用いたオブジェクト検出モデルの導入に関する展示研究を行っている。
  論文  参考訳（メタデータ） (2023-01-14T11:20:27Z)
• Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
  本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。 提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
  論文  参考訳（メタデータ） (2022-04-26T01:35:02Z)
• Multi-Scale Features and Parallel Transformers Based Image Quality Assessment [0.6554326244334866]
  変換器ネットワークとマルチスケール特徴抽出を用いた画像品質評価のための新しいアーキテクチャを提案する。 PIPALデータセットを含む各種データセットに対する実験により,提案手法が既存のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-20T20:38:23Z)
• 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)
• Variable-Rate Deep Image Compression through Spatially-Adaptive Feature Transform [58.60004238261117]
  空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。 本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。 提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
  論文  参考訳（メタデータ） (2021-08-21T17:30:06Z)
• 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)
• AugNet: End-to-End Unsupervised Visual Representation Learning with Image Augmentation [3.6790362352712873]
  我々は、未ラベル画像の集合から画像特徴を学習するための新しいディープラーニングトレーニングパラダイムであるAugNetを提案する。 実験により,低次元空間における画像の表現が可能であることを実証した。 多くのディープラーニングベースの画像検索アルゴリズムとは異なり、我々のアプローチは外部アノテーション付きデータセットへのアクセスを必要としない。
  論文  参考訳（メタデータ） (2021-06-11T09:02:30Z)
• RTIC: Residual Learning for Text and Image Composition using Graph Convolutional Network [19.017377597937617]
  画像検索のための画像とテキストの構成学習について検討する。 本稿では,グラフ畳み込みネットワーク(gcn)と既存の合成手法を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-04-07T09:41:52Z)
• Quantization Guided JPEG Artifact Correction [69.04777875711646]
  我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。 これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
  論文  参考訳（メタデータ） (2020-04-17T00:10:08Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。