論文の概要: UNO-QA: An Unsupervised Anomaly-Aware Framework with Test-Time Clustering for OCTA Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2212.10541v1
• Date: Tue, 20 Dec 2022 18:48:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 17:08:15.962637
• Title: UNO-QA: An Unsupervised Anomaly-Aware Framework with Test-Time Clustering for OCTA Image Quality Assessment
• Title（参考訳）: UNO-QA:OCTA画像品質評価のためのテスト時間クラスタリングによる教師なし異常認識フレームワーク
• Authors: Juntao Chen, Li Lin, Pujin Cheng, Yijin Huang, Xiaoying Tang
• Abstract要約: 光コヒーレンス・トモグラフィ・アンギオグラフィー(OCTA)画像品質評価のためのテスト時間クラスタリングを用いた教師なし異常認識フレームワークを提案する。 OCTA画像の品質を定量化するために,特徴埋め込みに基づく低品質表現モジュールを提案する。 我々は、訓練されたOCTA品質表現ネットワークによって抽出されたマルチスケール画像の特徴の次元削減とクラスタリングを行う。
• 参考スコア（独自算出の注目度）: 4.901218498977952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image quality assessment (MIQA) is a vital prerequisite in various medical image analysis applications. Most existing MIQA algorithms are fully supervised that request a large amount of annotated data. However, annotating medical images is time-consuming and labor-intensive. In this paper, we propose an unsupervised anomaly-aware framework with test-time clustering for optical coherence tomography angiography (OCTA) image quality assessment in a setting wherein only a set of high-quality samples are accessible in the training phase. Specifically, a feature-embedding-based low-quality representation module is proposed to quantify the quality of OCTA images and then to discriminate between outstanding quality and non-outstanding quality. Within the non-outstanding quality class, to further distinguish gradable images from ungradable ones, we perform dimension reduction and clustering of multi-scale image features extracted by the trained OCTA quality representation network. Extensive experiments are conducted on one publicly accessible dataset sOCTA-3*3-10k, with superiority of our proposed framework being successfully established.
• Abstract（参考訳）: 医用画像品質評価(MIQA)は、様々な医用画像解析アプリケーションにおいて必須の要件である。 既存のMIQAアルゴリズムの多くは、大量の注釈付きデータをリクエストする完全に教師されている。 しかし、医用画像の注釈は時間と労力がかかる。 本稿では,光コヒーレンストモグラフィ(optical coherence tomography angiography,octa)画像品質評価のためのテスト時間クラスタリングを用いた教師なし異常検知フレームワークを提案する。 具体的には,機能埋め込み型低品質表現モジュールを提案し,オクタ画像の品質を定量化し,優れた品質と非連続品質を判別する。 学習したオクターク品質表現ネットワークによって抽出された多次元画像特徴の次元縮小とクラスタリングを行う。 1つの公開データセット sOCTA-3*3-10k で大規模な実験を行い、提案フレームワークの優位性を確立した。

関連論文リスト

• Mitigating Perception Bias: A Training-Free Approach to Enhance LMM for Image Quality Assessment [18.622560025505233]
  画像品質評価のためのトレーニング不要な脱バイアスフレームワークを提案する。 まず,画像品質を著しく劣化させる意味保存歪みについて検討する。 次に、これらの特定の歪みをクエリやテストイメージに適用します。 品質推測の間、クエリ画像とそれに対応する劣化バージョンの両方をLMMに供給する。 劣化した画像は、セマンティックな違いに関わらず、常に品質が劣っていると評価される。
  論文  参考訳（メタデータ） (2024-11-19T15:00:59Z)
• 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)
• Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
  No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。 我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。 提案手法は,最新のPCQA手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:16:07Z)
• Pairwise Comparisons Are All You Need [22.798716660911833]
  ブラインド画像品質評価(BIQA)アプローチは、様々な画像に一様に適用される一般的な品質基準に依存しているため、現実のシナリオでは不足することが多い。 本稿では、従来のBIQAの制限を回避すべく設計されたペアワイズ比較フレームワークであるPICNIQを紹介する。 PICNIQは、サイコメトリックスケーリングアルゴリズムを用いることで、対比較をジャストオブジェクタブルディファレンス(JOD)の品質スコアに変換し、画像品質の粒度と解釈可能な指標を提供する。
  論文  参考訳（メタデータ） (2024-03-13T23:43:36Z)
• Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
  上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。 提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T06:50:27Z)
• 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)
• Self-supervised Domain Adaptation for Breaking the Limits of Low-quality Fundus Image Quality Enhancement [14.677912534121273]
  低画質の眼底画像とスタイルの整合性は、眼底疾患の診断における不確実性を高める可能性がある。 画像内容、低品質要因、スタイル情報の特徴を乱すために、2つの自己教師付きドメイン適応タスクを定式化する。 我々のDASQE法は,低画質の画像しか得られない場合に,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-01-17T15:07:20Z)
• Related Work on Image Quality Assessment [0.103341388090561]
  画像品質評価(IQA)は画像ベースアプリケーションにおいて重要な役割を果たす。 本稿では,最新の画像品質評価アルゴリズムについて概説する。
  論文  参考訳（メタデータ） (2021-11-11T16:11:27Z)
• 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)

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。