論文の概要: A Perceptual Quality Assessment Exploration for AIGC Images
- arxiv url: http://arxiv.org/abs/2303.12618v1
- Date: Wed, 22 Mar 2023 14:59:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 13:58:08.284988
- Title: A Perceptual Quality Assessment Exploration for AIGC Images
- Title(参考訳): aigc画像に対する知覚的品質評価探索
- Authors: Zicheng Zhang, Chunyi Li, Wei Sun, Xiaohong Liu, Xiongkuo Min,
Guangtao Zhai
- Abstract要約: 本稿では,AGIの品質評価における技術的問題,AIアーティファクト,不自然さ,不明瞭さ,美学などの主要な評価側面について論じる。
本稿では,拡散モデルから生成される1080個のAGIからなる最初の知覚的AGI品質評価データベース AGIQA-1K について述べる。
- 参考スコア(独自算出の注目度): 39.72512063793346
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: \underline{AI} \underline{G}enerated \underline{C}ontent (\textbf{AIGC}) has
gained widespread attention with the increasing efficiency of deep learning in
content creation. AIGC, created with the assistance of artificial intelligence
technology, includes various forms of content, among which the AI-generated
images (AGIs) have brought significant impact to society and have been applied
to various fields such as entertainment, education, social media, etc. However,
due to hardware limitations and technical proficiency, the quality of AIGC
images (AGIs) varies, necessitating refinement and filtering before practical
use. Consequently, there is an urgent need for developing objective models to
assess the quality of AGIs. Unfortunately, no research has been carried out to
investigate the perceptual quality assessment for AGIs specifically. Therefore,
in this paper, we first discuss the major evaluation aspects such as technical
issues, AI artifacts, unnaturalness, discrepancy, and aesthetics for AGI
quality assessment. Then we present the first perceptual AGI quality assessment
database, AGIQA-1K, which consists of 1,080 AGIs generated from diffusion
models. A well-organized subjective experiment is followed to collect the
quality labels of the AGIs. Finally, we conduct a benchmark experiment to
evaluate the performance of current image quality assessment (IQA) models.
- Abstract(参考訳): \underline{AI} \underline{G}enerated \underline{C}ontent (\textbf{AIGC}) は、コンテンツ作成における深層学習の効率の向上によって広く注目を集めている。
AIGCは人工知能技術の助けを借りて作成され、AI生成画像(AGI)が社会に多大な影響を与え、エンターテイメント、教育、ソーシャルメディアなど様々な分野に適用された様々なタイプのコンテンツを含んでいる。
しかし、ハードウェアの限界と技術能力により、aigc画像(agis)の品質は異なり、実用前に精巧化とフィルタリングが必要となる。
そのため,AGIの質を評価する客観的モデルの開発が急務である。
残念ながら、AGIの知覚的品質評価を特に調査する研究は行われていない。
そこで本稿では,AGIの品質評価のための技術問題,AIアーティファクト,不自然さ,不明瞭さ,美学などの主要な評価側面について論じる。
次に,拡散モデルから生成される1080個のAGIからなる最初の知覚的AGI品質評価データベース AGIQA-1K を提案する。
AGIの品質ラベルを収集するために、よく組織化された主観的な実験が続く。
最後に,現在の画像品質評価(IQA)モデルの性能を評価するためのベンチマーク実験を行った。
関連論文リスト
- TIER: Text-Image Encoder-based Regression for AIGC Image Quality
Assessment [2.59079758388817]
AIGCIQAタスクでは、画像は通常、テキストプロンプトを使用して生成モデルによって生成される。
既存のAIGCIQAメソッドのほとんどは、個々の生成された画像から直接予測されたスコアを回帰する。
本稿では,テキスト画像エンコーダに基づく回帰(TIER)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-08T12:35:15Z) - Q-Refine: A Perceptual Quality Refiner for AI-Generated Image [85.89840673640028]
Q-Refineという品質改善手法を提案する。
画像品質評価(IQA)メトリクスを使用して、初めて精錬プロセスをガイドする。
忠実度と美的品質の両方からAIGIを最適化するための一般的な精錬機となる。
論文 参考訳(メタデータ) (2024-01-02T09:11:23Z) - PKU-I2IQA: An Image-to-Image Quality Assessment Database for AI
Generated Images [1.6031185986328562]
我々はPKU-I2IQAという人間の知覚に基づく画像から画像へのAIGCIQAデータベースを構築した。
本研究では,非参照画像品質評価法に基づくNR-AIGCIQAとフル参照画像品質評価法に基づくFR-AIGCIQAの2つのベンチマークモデルを提案する。
論文 参考訳(メタデータ) (2023-11-27T05:53:03Z) - AIGCIQA2023: A Large-scale Image Quality Assessment Database for AI
Generated Images: from the Perspectives of Quality, Authenticity and
Correspondence [42.85549933048976]
100プロンプトを用いて6つの最先端テキスト画像生成モデルに基づいて2000以上の画像を生成する。
これらの画像に基づいて、各画像に対する人間の視覚的嗜好を3つの視点から評価する主観的な実験を行った。
構築したデータベース上で,いくつかの最先端IQAメトリクスの性能を評価するためのベンチマーク実験を行った。
論文 参考訳(メタデータ) (2023-07-01T03:30:31Z) - AGIQA-3K: An Open Database for AI-Generated Image Quality Assessment [62.8834581626703]
我々はこれまでに最も包括的な主観的品質データベース AGIQA-3K を構築している。
このデータベース上でベンチマーク実験を行い、現在の画像品質評価(IQA)モデルと人間の知覚との整合性を評価する。
我々は、AGIQA-3Kの微粒な主観的スコアが、その後のAGI品質モデルにヒトの主観的知覚機構に適合するよう促すと信じている。
論文 参考訳(メタデータ) (2023-06-07T18:28:21Z) - Subjective and Objective Quality Assessment for in-the-Wild Computer
Graphics Images [57.02760260360728]
我々は6000のCGI(CGIQA-6k)からなる大規模CGIQAデータベースを構築した。
本稿では, 歪みと美的品質表現を両立させて, 効果的な深層学習に基づくno-reference (NR) IQAモデルを提案する。
実験の結果,提案手法は構築したCGIQA-6kデータベース上で,最先端のNR IQA法よりも優れていた。
論文 参考訳(メタデータ) (2023-03-14T16:32:24Z) - Confusing Image Quality Assessment: Towards Better Augmented Reality
Experience [96.29124666702566]
我々はAR技術を仮想シーンと実シーンの重ね合わせとみなし、視覚的混乱を基本的な理論として紹介する。
ConFusing Image Quality Assessment (CFIQA)データベースが構築され、600個の参照画像と300個の歪画像とをペアに混合して生成する。
また、難解な画像品質をよりよく評価するために、CFIQAと呼ばれる客観的な計量も提案されている。
論文 参考訳(メタデータ) (2022-04-11T07:03:06Z) - Generalized Visual Quality Assessment of GAN-Generated Face Images [79.47386781978531]
GAN生成顔画像(GFI)の汎用品質評価に向けた主観的・客観的品質の検討
我々は、利用可能なGANアルゴリズムと見えないGANアルゴリズムの両方から、GFIの正確な品質予測を可能にする品質評価モデルを開発する。
論文 参考訳(メタデータ) (2022-01-28T07:54:49Z)
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。