Fugu-MT 論文翻訳(概要): PKU-I2IQA: An Image-to-Image Quality Assessment Database for AI Generated Images

論文の概要: PKU-I2IQA: An Image-to-Image Quality Assessment Database for AI Generated Images

arxiv url: http://arxiv.org/abs/2311.15556v1
Date: Mon, 27 Nov 2023 05:53:03 GMT
ステータス: 処理完了
システム内更新日: 2023-11-28 17:05:59.123473
Title: PKU-I2IQA: An Image-to-Image Quality Assessment Database for AI Generated Images
Title（参考訳）: PKU-I2IQA:AI生成画像の品質評価データベース
Authors: Jiquan Yuan, Xinyan Cao, Changjin Li, Fanyi Yang, Jinlong Lin, and Xixin Cao
Abstract要約: 重要な課題は、AI生成画像(AIGI)を自然画像と比較すると、いくつかの独特の歪みがある可能性があることである。我々はPKU-I2IQAという人間の知覚に基づく画像品質評価データベースを構築した。我々は,非参照画像品質評価に基づくNR-AIGCIQAとフル参照画像品質評価に基づくFR-AIGCIQAの2つのベンチマークモデルを導入した。
参考スコア（独自算出の注目度）: 1.6031185986328562
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the development of image generation technology, AI-based image generation has been applied in various fields. However, the development of AIGC image generative models also brings new problems and challenges. A significant challenge is that AI-generated images (AIGI) compared to natural images may have some unique distortions, and not all generated images meet the requirements of the real world, so it is of great significance to evaluate AI-generated images more comprehensively. Although previous work has established some human perception-based AIGC image quality assessment databases for text-generated images, the AI image generation technology includes scenarios like text-to-image and image-to-image, and assessing only the images generated by text-to-image models is insufficient. To address this issue, we have established a human perception-based image-to-image AIGC image quality assessment database, named PKU-I2IQA. We conducted a comprehensive analysis of the PKU-I2IQA database. Furthermore, we introduced two benchmark models: NR-AIGCIQA based on no-reference image quality assessment and FR-AIGCIQA based on full-reference image quality assessment.Finally, leveraging this database, we conducted benchmark experiments and compared the performance of the proposed benchmark models. The PKU-I2IQA database and benchmarks will be released to facilitate future research on https://github.com/jiquan123/I2IQA. Keywords: AIGC, image-to-image generation, image quality assessment, NR-AIGCIQA, FR-AIGCIQA
Abstract（参考訳）: 画像生成技術の発展に伴い、AIベースの画像生成は様々な分野で応用されている。しかし、AIGC画像生成モデルの開発も新たな問題と課題をもたらしている。重要な課題は、AI生成画像(AIGI)を自然画像と比較すると、独特の歪みがあり、すべての生成画像が現実世界の要求を満たすわけではないため、AI生成画像をより包括的に評価することが非常に重要である。これまでの研究で、テキスト生成画像のための人間の知覚に基づくaigc画像品質評価データベースを確立してきたが、ai画像生成技術には、テキスト対画像や画像対画像のようなシナリオが含まれており、テキスト対画像モデルで生成された画像のみが不十分である。この問題に対処するため,我々はpku-i2iqaというaigc画像品質評価データベースを構築した。 PKU-I2IQAデータベースの総合解析を行った。さらに、非参照画像品質評価に基づくNR-AIGCIQAと、フル参照画像品質評価に基づくFR-AIGCIQAの2つのベンチマークモデルを紹介した。 PKU-I2IQAデータベースとベンチマークは、https://github.com/jiquan123/I2IQAに関する将来の研究を促進するためにリリースされる。キーワード:AIGC、画像画像生成、画像品質評価、NR-AIGCIQA、FR-AIGCIQA

関連論文リスト

Understanding and Evaluating Human Preferences for AI Generated Images with Instruction Tuning [58.41087653543607]
我々はまず,AIGCIQA2023+と呼ばれるAIGIのための画像品質評価(IQA)データベースを構築した。本稿では,AIGIに対する人間の嗜好を評価するためのMINT-IQAモデルを提案する。
論文参考訳（メタデータ） (2024-05-12T17:45:11Z)
PKU-AIGIQA-4K: A Perceptual Quality Assessment Database for Both Text-to-Image and Image-to-Image AI-Generated Images [1.5265677582796984]
我々はPKU-AIGIQA-4Kという名前のテキスト・ツー・イメージAIGIとイメージ・ツー・イメージAIGIの両方を対象とした大規模な知覚品質評価データベースを構築した。本研究では,非参照法NR-AIGCIQA,フル参照法FR-AIGCIQA,部分参照法PR-AIGCIQAを含む事前学習モデルに基づく3つの画像品質評価手法を提案する。
論文参考訳（メタデータ） (2024-04-29T03:57:43Z)
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)
AIGIQA-20K: A Large Database for AI-Generated Image Quality Assessment [54.93996119324928]
AIGIQA-20Kとして知られる2万のAIGIと420,000の主観評価を備えた、これまでで最大のAIGI主観的品質データベースを作成します。このデータベース上でベンチマーク実験を行い、16の主流AIGI品質モデルと人間の知覚との対応性を評価する。
論文参考訳（メタデータ） (2024-04-04T12:12:24Z)
AIGCOIQA2024: Perceptual Quality Assessment of AI Generated Omnidirectional Images [70.42666704072964]
我々はAI生成の全方位画像IQAデータベースAIIGCOIQA2024を構築した。 3つの視点から人間の視覚的嗜好を評価するために、主観的IQA実験を行った。我々は,データベース上での最先端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。
論文参考訳（メタデータ） (2024-04-01T10:08:23Z)
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)
PSCR: Patches Sampling-based Contrastive Regression for AIGC Image Quality Assessment [1.1744028458220428]
本稿では,様々な画像の差を利用した表現空間の学習のためのコントラスト回帰フレームワークを提案する。我々は、AGIQA-1K、AGIQA-3K、AIGCIQA2023を含む3つの主要なAIGCIQAデータベースについて広範な実験を行った。その結果,提案したPSCRフレームワークの導入により,モデル性能が大幅に向上した。
論文参考訳（メタデータ） (2023-12-10T14:18:53Z)
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)
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)

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。