論文の概要: Test your samples jointly: Pseudo-reference for image quality evaluation

• arxiv url: http://arxiv.org/abs/2304.03766v1
• Date: Fri, 7 Apr 2023 17:59:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 11:20:07.056793
• Title: Test your samples jointly: Pseudo-reference for image quality evaluation
• Title（参考訳）: サンプルを共同でテストする: 画像品質評価のための擬似参照
• Authors: Marcelin Tworski and St\'ephane Lathuili\`ere
• Abstract要約: 品質評価の精度を向上させるため,同じ内容の異なる画像を共同でモデル化することを提案する。 実験の結果,本手法では,同一の新たなコンテンツを示す複数の画像の特徴を組み合わせることができ,評価精度が向上することがわかった。
• 参考スコア（独自算出の注目度）: 3.2634122554914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we address the well-known image quality assessment problem but in contrast from existing approaches that predict image quality independently for every images, we propose to jointly model different images depicting the same content to improve the precision of quality estimation. This proposal is motivated by the idea that multiple distorted images can provide information to disambiguate image features related to content and quality. To this aim, we combine the feature representations from the different images to estimate a pseudo-reference that we use to enhance score prediction. Our experiments show that at test-time, our method successfully combines the features from multiple images depicting the same new content, improving estimation quality.
• Abstract（参考訳）: 本稿では,画像品質評価の問題に対処するが,画像毎に独立して画像品質を予測する既存の手法とは対照的に,同一内容の異なる画像を共同でモデル化し,画質評価の精度を向上させることを提案する。 この提案は、複数の歪んだ画像が、コンテンツや品質に関連する画像の特徴を曖昧にするための情報を提供するという考えに動機づけられている。 この目的のために、異なる画像からの特徴表現を組み合わせることで、スコア予測の強化に使用する擬似参照を推定する。 実験の結果,本手法では,同一の新たなコンテンツを示す複数の画像の特徴をうまく組み合わせ,推定精度を向上させることができた。

関連論文リスト

• Quality-guided Skin Tone Enhancement for Portrait Photography [46.55401398142088]
  本稿では,画質評価の異なる画像の分布を画像強調モデルで学習できる品質誘導型画像強調パラダイムを提案する。 本手法では,異なる品質要件に応じて皮膚のトーンを調整できる。
  論文  参考訳（メタデータ） (2024-06-22T13:36:30Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [54.139923409101044]
  拡散先行型IQA(DP-IQA)と呼ばれる新しいIQA法を提案する。 トレーニング済みの安定拡散をバックボーンとして使用し、復調するU-Netから多レベル特徴を抽出し、それらをデコードして画質スコアを推定する。 上記のモデルの知識をCNNベースの学生モデルに抽出し、適用性を高めるためにパラメータを大幅に削減する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• 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)
• Progressive Feature Fusion Network for Enhancing Image Quality Assessment [8.06731856250435]
  画像群において、どの画像が良いかを決定するための画像品質評価フレームワークを提案する。 微妙な違いを捉えるため、マルチスケールな特徴を得るためにきめ細かなネットワークが採用されている。 実験の結果,現在の主流画像品質評価手法と比較して,提案手法はより正確な画像品質評価を実現することができることがわかった。
  論文  参考訳（メタデータ） (2024-01-13T06:34:32Z)
• ARNIQA: Learning Distortion Manifold for Image Quality Assessment [28.773037051085318]
  No-Reference Image Quality Assessment (NR-IQA) は、高品質な参照画像を必要としない、人間の知覚に合わせて画像品質を測定する手法を開発することを目的としている。 本研究では、画像歪み多様体をモデル化し、本質的な表現を得るための自己教師型アプローチ ARNIQA を提案する。
  論文  参考訳（メタデータ） (2023-10-20T17:22:25Z)
• Feedback is Needed for Retakes: An Explainable Poor Image Notification Framework for the Visually Impaired [6.0158981171030685]
  筆者らのフレームワークはまず画像の品質を判定し,高品質であると判定された画像のみを用いてキャプションを生成する。 ユーザは、画像品質が低ければ再取り込みする欠陥機能により通知され、このサイクルは、入力画像が高品質であると判断されるまで繰り返される。
  論文  参考訳（メタデータ） (2022-11-17T09:22:28Z)
• Multi-Scale Features and Parallel Transformers Based Image Quality Assessment [0.6554326244334866]
  変換器ネットワークとマルチスケール特徴抽出を用いた画像品質評価のための新しいアーキテクチャを提案する。 PIPALデータセットを含む各種データセットに対する実験により,提案手法が既存のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-20T20:38:23Z)
• 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)
• Compare and Reweight: Distinctive Image Captioning Using Similar Images Sets [52.3731631461383]
  我々は,類似画像の集合を用いた訓練により,画像キャプションの特異性を向上させることを目的としている。 評価基準は,各画像の人的アノテーションが特徴性に基づいて等価でないことを示す。
  論文  参考訳（メタデータ） (2020-07-14T07:40:39Z)

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。