論文の概要: Gap-closing Matters: Perceptual Quality Evaluation and Optimization of Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2302.11464v5
- Date: Fri, 21 Jun 2024 01:52:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-24 20:47:12.389942
- Title: Gap-closing Matters: Perceptual Quality Evaluation and Optimization of Low-Light Image Enhancement
- Title（参考訳）: ギャップ閉鎖問題:低照度画像強調の知覚的品質評価と最適化
- Authors: Baoliang Chen, Lingyu Zhu, Hanwei Zhu, Wenhan Yang, Linqi Song, Shiqi Wang,
- Abstract要約: 低照度画像強調手法の最適化は、エンドユーザーが認識する視覚的品質によって導かれるべきであるという研究コミュニティの見解が高まりつつある。
主観的品質と客観的品質を体系的に評価するためのギャップ閉鎖フレームワークを提案する。
提案手法の有効性を,画質予測の精度と画像強調の知覚品質の両面から検証する。
- 参考スコア（独自算出の注目度）: 55.8106019031768
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There is a growing consensus in the research community that the optimization of low-light image enhancement approaches should be guided by the visual quality perceived by end users. Despite the substantial efforts invested in the design of low-light enhancement algorithms, there has been comparatively limited focus on assessing subjective and objective quality systematically. To mitigate this gap and provide a clear path towards optimizing low-light image enhancement for better visual quality, we propose a gap-closing framework. In particular, our gap-closing framework starts with the creation of a large-scale dataset for Subjective QUality Assessment of REconstructed LOw-Light Images (SQUARE-LOL). This database serves as the foundation for studying the quality of enhanced images and conducting a comprehensive subjective user study. Subsequently, we propose an objective quality assessment measure that plays a critical role in bridging the gap between visual quality and enhancement. Finally, we demonstrate that our proposed objective quality measure can be incorporated into the process of optimizing the learning of the enhancement model toward perceptual optimality. We validate the effectiveness of our proposed framework through both the accuracy of quality prediction and the perceptual quality of image enhancement. Our database and codes are publicly available at https://github.com/Baoliang93/IACA_For_Lowlight_IQA.
- Abstract（参考訳）: 研究コミュニティでは,低照度画像強調アプローチの最適化は,エンドユーザーが認識する視覚的品質によって導かれるべきであるというコンセンサスが高まっている。
低照度向上アルゴリズムの設計に多大な努力を払っているにもかかわらず、主観的および客観的な品質を体系的に評価することには、比較的限定的な焦点が当てられている。
このギャップを緩和し、低照度画像強調を最適化して視覚的品質を向上させるための明確な経路を提供するために、ギャップ閉鎖フレームワークを提案する。
特に、我々のギャップ閉鎖フレームワークは、再構成された露光画像(SQUARE-LOL)の主観的QUalityアセスメントのための大規模データセットの作成から始まります。
本データベースは、拡張画像の品質を研究し、包括的主観的ユーザスタディを実施するための基盤として機能する。
次に,視覚的品質とエンハンスメントのギャップを埋める上で重要な役割を果たす客観的品質評価尺度を提案する。
最後に,提案した目標品質尺度を,知覚的最適性に向けて拡張モデルの学習を最適化するプロセスに組み込むことが実証された。
提案手法の有効性を,画質予測の精度と画像強調の知覚品質の両面から検証する。
私たちのデータベースとコードはhttps://github.com/Baoliang93/IACA_For_Lowlight_IQAで公開されています。
関連論文リスト
- 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) - G-Refine: A General Quality Refiner for Text-to-Image Generation [74.16137826891827]
G-Refineは,高画質画像の整合性を損なうことなく,低画質画像の高精細化を図った汎用画像精細機である。
このモデルは、知覚品質指標、アライメント品質指標、一般的な品質向上モジュールの3つの相互接続モジュールで構成されている。
大規模な実験により、G-Refine以降のAIGIは、4つのデータベースで10以上の品質指標でパフォーマンスが向上していることが明らかになった。
論文 参考訳（メタデータ） (2024-04-29T00:54:38Z) - Blind Image Quality Assessment Using Multi-Stream Architecture with
Spatial and Channel Attention [2.6361118997136086]
BIQA(Blind Image Quality Assessment)は、画像を自動的に評価する重要な研究分野である。
ほとんどのアルゴリズムは重要な関心領域を強調せずに品質を生成する。
この問題を解決するために,マルチストリーム空間およびチャネルアテンションに基づくアルゴリズムが提案されている。
論文 参考訳（メタデータ） (2023-07-19T09:36:08Z) - 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) - Dehazed Image Quality Evaluation: From Partial Discrepancy to Blind
Perception [35.257798506356814]
画像のデハジングは、ぼんやりとした画像から空間的詳細を復元することを目的としている。
本稿では,部分的不一致に基づく画像品質評価手法を提案する。
Blind Perceptionを用いたNo-Reference品質評価尺度に拡張する。
論文 参考訳（メタデータ） (2022-11-22T23:49:14Z) - The Loop Game: Quality Assessment and Optimization for Low-Light Image
Enhancement [50.29722732653095]
低照度画像強調手法の設計と最適化は知覚品質によって完全に駆動される必要があるという認識がますます高まっている。
本稿では,低照度画像の高画質化が視覚的品質の向上にどのように最適化されるかを示すループ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-20T06:20:06Z) - Deep Multi-Scale Features Learning for Distorted Image Quality
Assessment [20.7146855562825]
既存のディープニューラルネットワーク(DNN)はIQA問題に対処する上で大きな効果を示している。
画像品質予測のための階層的マルチスケール特徴を持つDNNを構築するためにピラミッド特徴学習を提案する。
提案するネットワークは、エンド・ツー・エンドの監視方法に最適化されている。
論文 参考訳（メタデータ） (2020-12-01T23:39:01Z) - Object-QA: Towards High Reliable Object Quality Assessment [71.71188284059203]
オブジェクト認識アプリケーションでは、オブジェクトイメージは通常、異なる品質レベルで表示される。
本稿では,オブジェクト画像の信頼性の高い品質スコアを評価するために,Object-QAという効果的手法を提案する。
論文 参考訳（メタデータ） (2020-05-27T01:46:58Z)
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。