論文の概要: Content-Diverse Comparisons improve IQA
- arxiv url: http://arxiv.org/abs/2211.05215v1
- Date: Wed, 9 Nov 2022 21:53:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 15:12:42.665259
- Title: Content-Diverse Comparisons improve IQA
- Title(参考訳): IQAのコンテント・ディバース比較
- Authors: William Thong, Jose Costa Pereira, Sarah Parisot, Ales Leonardis,
Steven McDonagh
- Abstract要約: 画像品質評価(IQA)は人間にとって自然な作業であり、しばしば簡単な作業となるが、タスクの効果的な自動化は依然として困難である。
ディープラーニングコミュニティの最近のメトリクスは、トレーニング中のイメージペアを比較して、PSNRやSSIMといった従来のメトリクスを改善するのが一般的です。
これにより、トレーニング中にモデルが露出する画像ペアの多様性と数を制限する。
本稿では、これらの比較とコンテンツ多様性の強化に努め、まず、比較制約を緩和し、画像のペアを異なるコンテンツと比較する。
- 参考スコア(独自算出の注目度): 23.523537785599913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image quality assessment (IQA) forms a natural and often straightforward
undertaking for humans, yet effective automation of the task remains highly
challenging. Recent metrics from the deep learning community commonly compare
image pairs during training to improve upon traditional metrics such as PSNR or
SSIM. However, current comparisons ignore the fact that image content affects
quality assessment as comparisons only occur between images of similar content.
This restricts the diversity and number of image pairs that the model is
exposed to during training. In this paper, we strive to enrich these
comparisons with content diversity. Firstly, we relax comparison constraints,
and compare pairs of images with differing content. This increases the variety
of available comparisons. Secondly, we introduce listwise comparisons to
provide a holistic view to the model. By including differentiable regularizers,
derived from correlation coefficients, models can better adjust predicted
scores relative to one another. Evaluation on multiple benchmarks, covering a
wide range of distortions and image content, shows the effectiveness of our
learning scheme for training image quality assessment models.
- Abstract(参考訳): 画像品質評価(IQA)は人間にとって自然な作業であり、しばしば簡単な作業となるが、タスクの効果的な自動化は非常に困難である。
最近のディープラーニングコミュニティのメトリクスは、トレーニング中のイメージペアを比較して、PSNRやSSIMといった従来のメトリクスを改善するのが一般的です。
しかし、現在の比較では、画像内容が品質評価に影響を及ぼすという事実は無視されている。
これにより、トレーニング中にモデルが露出する画像ペアの多様性と数を制限する。
本稿では,コンテンツ多様性との比較を充実させようとする。
まず,比較制約を緩和し,画像のペアを異なる内容と比較する。
これにより、利用可能な比較の多様性が増す。
次に、リストワイズ比較を導入し、モデルに対する全体観を提供する。
相関係数から導かれる微分可能な正規化子を含むことによって、モデルが互いに相対的に予測スコアを調整できる。
幅広い歪みと画像内容をカバーする複数のベンチマークの評価は,画像品質評価モデルの学習における学習方式の有効性を示す。
関連論文リスト
- Comparison of No-Reference Image Quality Models via MAP Estimation in
Diffusion Latents [99.19391983670569]
NR-IQAモデルは、画像強調のための最大後部推定(MAP)フレームワークにプラグイン可能であることを示す。
異なるNR-IQAモデルは異なる拡張イメージを誘導し、最終的には精神物理学的なテストを受ける。
これにより, NR-IQAモデルの比較を行う新たな計算手法が提案される。
論文 参考訳(メタデータ) (2024-03-11T03:35:41Z) - Learning to Compare Longitudinal Images [15.245936854932374]
深層学習モデル(PaIRNetと呼ばれる)をトレーニングし、一対の長手画像と監督の有無を比較します。
4つのデータセットから得られた結果は,PaIRNetが有意な経年変化の局所化と定量化に極めて有効であることを示す。
論文 参考訳(メタデータ) (2023-04-05T15:52:07Z) - Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。
本研究では,変換器を用いた全参照IQAモデルの性能について検討する。
また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
論文 参考訳(メタデータ) (2022-04-27T10:21:08Z) - 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) - 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) - Group-aware Contrastive Regression for Action Quality Assessment [85.43203180953076]
ビデオ間の関係は、より正確な行動品質評価のための重要な手がかりとなることを示す。
提案手法は従来の手法よりも大きなマージンを達成し,3つのベンチマークで新たな最先端の手法を確立する。
論文 参考訳(メタデータ) (2021-08-17T17:59:39Z) - Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。
完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-07-24T15:00:47Z) - Rank-smoothed Pairwise Learning In Perceptual Quality Assessment [26.599014990168836]
階層的確率でペアワイドな経験的確率を正規化することで、より信頼性の高いトレーニング損失がもたらされることを示す。
画像品質評価モデルのトレーニングにおいて,ランクスムースな損失が人間の嗜好を予測する精度を常に向上させることを示す。
論文 参考訳(メタデータ) (2020-11-21T23:33:14Z) - Learning to Compare Relation: Semantic Alignment for Few-Shot Learning [48.463122399494175]
本稿では,コンテンツアライメントに頑健な関係を比較するための新しいセマンティックアライメントモデルを提案する。
数ショットの学習データセットについて広範な実験を行う。
論文 参考訳(メタデータ) (2020-02-29T08:37:02Z) - I Am Going MAD: Maximum Discrepancy Competition for Comparing
Classifiers Adaptively [135.7695909882746]
我々は、MAD(Maximum Discrepancy)コンペティションを命名する。
任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。
結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
論文 参考訳(メタデータ) (2020-02-25T03:32:29Z)
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。