Fugu-MT 論文翻訳(概要): Half of an image is enough for quality assessment

論文の概要: Half of an image is enough for quality assessment

arxiv url: http://arxiv.org/abs/2301.12891v1
Date: Mon, 30 Jan 2023 13:52:22 GMT
ステータス: 処理完了
システム内更新日: 2023-01-31 14:31:12.506576
Title: Half of an image is enough for quality assessment
Title（参考訳）: 画像の半分は品質評価に十分です
Authors: Junyong You, Yuan Lin, Jari Korhonen
Abstract要約: 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。
参考スコア（独自算出の注目度）: 17.681369126678465
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep networks show promising performance in image quality assessment (IQA), whereas few studies have investigated how a deep model works. In this work, a positional masked transformer for IQA is first developed, based on which we observe that half of an image might contribute trivially to image quality, whereas the other half is crucial. Such observation is generalized to that half of the image regions can dominate image quality in several CNN-based IQA models. Motivated by this observation, three semantic measures (saliency, frequency, objectness) are then derived, showing high accordance with importance degree of image regions in IQA.
Abstract（参考訳）: ディープネットワークは画像品質評価(IQA)において有望な性能を示す一方、ディープモデルがどのように機能するかの研究は少ない。本研究では,画像の半数が画像品質に自明に寄与する可能性があるのに対して,残りの半分は重要であり,iqa用位置マスクトランスフォーマを開発した。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し得るように一般化されている。この観察により、IQAにおける画像領域の重要性度に応じて、三つの意味尺度(相性、周波数、対象性)が導出される。

関連論文リスト

IQA-Adapter: Exploring Knowledge Transfer from Image Quality Assessment to Diffusion-based Generative Models [0.5356944479760104]
本稿では,画像と品質スコアの関係を学習することで,目標品質レベルの生成を条件付ける新しいアーキテクチャであるIQA-Adapterを紹介する。 IQA-Adapterは、主観的な研究によって確認されたように、複数の客観的指標に対して最大10%の改善が達成される。我々の品質認識手法はまた、IQAモデルの対角的堅牢性に関する洞察を提供する。
論文参考訳（メタデータ） (2024-12-02T18:40:19Z)
Exploring Rich Subjective Quality Information for Image Quality Assessment in the Wild [66.40314964321557]
我々は,リッチIQAという新しいIQA手法を提案し,MOSを超えるリッチな主観的評価情報を探索し,野生における画像品質を予測する。コンボリューショナル・ビジョン・トランスフォーマー(CvT)の強力な特徴表現能力を活用し、人間の脳の短期記憶機構と長期記憶機構を模倣する3段階画像品質予測ネットワークである。 RichIQAは、リッチな主観的評価ラベルを持つ複数の大規模IQAデータベースにおいて、最先端の競合より優れている。
論文参考訳（メタデータ） (2024-09-09T12:00:17Z)
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)
Rank-based No-reference Quality Assessment for Face Swapping [88.53827937914038]
顔スワップ法における品質測定の基準は、操作された画像とソース画像の間のいくつかの距離に依存する。顔スワップ用に設計された新しい非参照画像品質評価法(NR-IQA)を提案する。
論文参考訳（メタデータ） (2024-06-04T01:36:29Z)
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)
Cross-IQA: Unsupervised Learning for Image Quality Assessment [3.2287957986061038]
本稿では,視覚変換器(ViT)モデルに基づく非参照画像品質評価(NR-IQA)手法を提案する。提案手法は,ラベルのない画像データから画像品質の特徴を学習することができる。実験結果から,Cross-IQAは低周波劣化情報の評価において最先端の性能が得られることが示された。
論文参考訳（メタデータ） (2024-05-07T13:35:51Z)
Large Multi-modality Model Assisted AI-Generated Image Quality Assessment [53.182136445844904]
本稿では,AI生成画像品質評価モデル(MA-AGIQA)を提案する。セマンティックインフォームドガイダンスを使用して意味情報を感知し、慎重に設計されたテキストプロンプトを通してセマンティックベクターを抽出する。最先端のパフォーマンスを実現し、AI生成画像の品質を評価する上で優れた一般化能力を示す。
論文参考訳（メタデータ） (2024-04-27T02:40:36Z)
End-to-end deep multi-score model for No-reference stereoscopic image quality assessment [6.254148286968409]
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。
論文参考訳（メタデータ） (2022-11-02T16:45:35Z)
Deep Superpixel-based Network for Blind Image Quality Assessment [4.079861933099766]
ブラインド画像品質評価(BIQA)モデルの目標は、人間の目で画像を評価する過程をシミュレートすることである。マルチスケールおよびスーパーピクセルセグメンテーションに基づいて画像の画質を評価するために, DSN-IQA という深層適応型スーパーピクセルベースネットワークを提案する。
論文参考訳（メタデータ） (2021-10-13T08:26:58Z)
MUSIQ: Multi-scale Image Quality Transformer [22.908901641767688]
現在のIQA法は畳み込みニューラルネットワーク(CNN)に基づいているマルチスケール画像品質変換器(MUSIQ)を設計し,サイズやアスペクト比の異なるネイティブ解像度画像を処理する。提案手法は,マルチスケールの画像表現により,様々な粒度で画像品質を捉えることができる。
論文参考訳（メタデータ） (2021-08-12T23:36:22Z)
MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment [73.55944459902041]
本稿では,深層メタラーニングに基づく非参照IQA尺度を提案する。まず、様々な歪みに対してNR-IQAタスクを収集する。次にメタラーニングを用いて、多彩な歪みによって共有される事前知識を学習する。大規模な実験により、提案された計量は最先端の技術を大きなマージンで上回ることを示した。
論文参考訳（メタデータ） (2020-04-11T23:36:36Z)

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。