論文の概要: End-to-end deep multi-score model for No-reference stereoscopic image quality assessment

• arxiv url: http://arxiv.org/abs/2211.01374v1
• Date: Wed, 2 Nov 2022 16:45:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 12:59:43.415510
• Title: End-to-end deep multi-score model for No-reference stereoscopic image quality assessment
• Title（参考訳）: 無基準立体画像品質評価のためのエンド・ツー・エンド深層マルチスコアモデル
• Authors: Oussama Messai, Aladine Chetouani
• Abstract要約: 我々は、深層多スコア畳み込みニューラルネットワーク(CNN)を用いて、参照なしで立体画像の品質を推定する。 まず、左の視点の質を予測し、次に、左の視点の質を予測し、第3と第4に、ステレオ視点の質とグローバルな品質をそれぞれ予測し、グローバルスコアを究極の品質とする。
• 参考スコア（独自算出の注目度）: 6.254148286968409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based quality metrics have recently given significant improvement in Image Quality Assessment (IQA). In the field of stereoscopic vision, information is evenly distributed with slight disparity to the left and right eyes. However, due to asymmetric distortion, the objective quality ratings for the left and right images would differ, necessitating the learning of unique quality indicators for each view. Unlike existing stereoscopic IQA measures which focus mainly on estimating a global human score, we suggest incorporating left, right, and stereoscopic objective scores to extract the corresponding properties of each view, and so forth estimating stereoscopic image quality without reference. Therefore, we use a deep multi-score Convolutional Neural Network (CNN). Our model has been trained to perform four tasks: First, predict the left view's quality. Second, predict the quality of the left view. Third and fourth, predict the quality of the stereo view and global quality, respectively, with the global score serving as the ultimate quality. Experiments are conducted on Waterloo IVC 3D Phase 1 and Phase 2 databases. The results obtained show the superiority of our method when comparing with those of the state-of-the-art. The implementation code can be found at: https://github.com/o-messai/multi-score-SIQA
• Abstract（参考訳）: ディープラーニングベースの品質指標は先頃,画像品質評価(IQA)を大幅に改善した。 立体視の分野では、情報は左右の目とわずかに異なる形で均等に分配される。 しかし、非対称な歪みのため、左右の画像の客観的な品質評価が異なるため、各ビューに特有の品質指標の学習が必要である。 グローバルな人間のスコアを推定することを中心とした既存の立体視IQA測度とは異なり、各ビューの対応する特性を抽出するために左、右、立体視の客観的スコアを取り入れることを提案する。 そこで我々は,深層多スコア畳み込みニューラルネットワーク(CNN)を用いた。 私たちのモデルは4つのタスクを実行するように訓練されています。 次に、左のビューの品質を予測します。 第3と第4に,ステレオビューの品質とグローバル品質をそれぞれ予測し,グローバルスコアを究極の品質とする。 waterloo ivc 3d phase 1 および phase 2 データベース上で実験を行った。 その結果,最先端技術との比較において,本手法の優位性を示した。 実装コードは、https://github.com/o-messai/multi-score-SIQAで確認できる。

関連論文リスト

• 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)
• Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
  Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。 Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。 コントリビューションの中心は、QGround-100Kデータセットの導入です。
  論文  参考訳（メタデータ） (2024-07-24T06:42:46Z)
• 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)
• Learning Generalizable Perceptual Representations for Data-Efficient No-Reference Image Quality Assessment [7.291687946822539]
  最先端のNR-IQA技術の大きな欠点は、多数の人間のアノテーションに依存していることである。 低レベルな特徴の学習を、新しい品質に配慮したコントラスト損失を導入することで、歪みタイプの学習を可能にする。 両経路からゼロショット品質の予測を、完全に盲目な環境で設計する。
  論文  参考訳（メタデータ） (2023-12-08T05:24:21Z)
• Assessor360: Multi-sequence Network for Blind Omnidirectional Image Quality Assessment [50.82681686110528]
  Blind Omnidirectional Image Quality Assessment (BOIQA)は、全方位画像(ODI)の人間の知覚品質を客観的に評価することを目的としている。 ODIの品質評価は、既存のBOIQAパイプラインがオブザーバのブラウジングプロセスのモデリングを欠いているという事実によって著しく妨げられている。 Assessor360と呼ばれるBOIQAのための新しいマルチシーケンスネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-18T13:55:28Z)
• Blind Image Quality Assessment via Vision-Language Correspondence: A Multitask Learning Perspective [93.56647950778357]
  ブラインド画像品質評価(BIQA)は、参照情報なしで画像品質の人間の知覚を予測する。 我々は,他のタスクからの補助的知識を活用するために,BIQAのための汎用的かつ自動化されたマルチタスク学習手法を開発した。
  論文  参考訳（メタデータ） (2023-03-27T07:58:09Z)
• Blind Multimodal Quality Assessment: A Brief Survey and A Case Study of Low-light Images [73.27643795557778]
  ブラインド画像品質評価(BIQA)は、視覚信号の客観的スコアを自動的に正確に予測することを目的としている。 この分野での最近の発展は、ヒトの主観的評価パターンと矛盾しない一助的解によって支配されている。 主観的評価から客観的スコアへの低照度画像の一意なブラインドマルチモーダル品質評価(BMQA)を提案する。
  論文  参考訳（メタデータ） (2023-03-18T09:04:55Z)
• ST360IQ: No-Reference Omnidirectional Image Quality Assessment with Spherical Vision Transformers [17.48330099000856]
  ノン参照360画像品質評価法を提案する。 提案手法は,全方位画像の品質と人間の知覚画像品質の相関関係を推定する。
  論文  参考訳（メタデータ） (2023-03-13T07:48:46Z)
• Half of an image is enough for quality assessment [17.681369126678465]
  画像品質評価のための位置マスク変換器(IQA)を開発した。 画像の半分は画像の品質に自明に寄与するが、残りの半分は不可欠である。 このような観察は、CNNベースのIQAモデルにおいて、画像領域の半分が画像品質を支配することができるように一般化されている。
  論文  参考訳（メタデータ） (2023-01-30T13:52:22Z)
• MANIQA: Multi-dimension Attention Network for No-Reference Image Quality Assessment [18.637040004248796]
  No-Reference Image Quality Assessment (NR-IQA) は、人間の主観的知覚に応じて画像の知覚品質を評価することを目的としている。 既存のNR-IQA法は、GANに基づく歪み画像の正確な品質スコアを予測する必要性を満たすには程遠い。 本稿では,非参照画像品質評価(MANIQA)のための多次元注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-04-19T15:56:43Z)
• 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)

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。