論文の概要: PKU-I2IQA: An Image-to-Image Quality Assessment Database for AI
Generated Images
- arxiv url: http://arxiv.org/abs/2311.15556v2
- Date: Wed, 29 Nov 2023 14:16:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 12:33:16.512928
- 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: 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。
- 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: As image generation technology advances, AI-based image generation has been
applied in various fields and Artificial Intelligence Generated Content (AIGC)
has garnered widespread attention. However, the development of AI-based image
generative models also brings new problems and challenges. A significant
challenge is that AI-generated images (AIGI) may exhibit unique distortions
compared to natural images, and not all generated images meet the requirements
of the real world. Therefore, it is of great significance to evaluate AIGIs
more comprehensively. Although previous work has established several human
perception-based AIGC image quality assessment (AIGCIQA) 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 establish a
human perception-based image-to-image AIGCIQA database, named PKU-I2IQA. We
conduct a well-organized subjective experiment to collect quality labels for
AIGIs and then conduct a comprehensive analysis of the PKU-I2IQA database.
Furthermore, we have proposed two benchmark models: NR-AIGCIQA based on the
no-reference image quality assessment method and FR-AIGCIQA based on the
full-reference image quality assessment method. Finally, leveraging this
database, we conduct benchmark experiments and compare the performance of the
proposed benchmark models. The PKU-I2IQA database and benchmarks will be
released to facilitate future research on
\url{https://github.com/jiquan123/I2IQA}.
- Abstract(参考訳): 画像生成技術の進歩に伴い、さまざまな分野でAIベースの画像生成が適用され、AIGC(Artificial Intelligence Generated Content)が注目を集めている。
しかし、aiベースの画像生成モデルの開発は、新しい問題と課題をもたらす。
重要な課題は、AI生成画像(AIGI)が自然画像と比較して独特の歪みを示し、全ての生成された画像が現実世界の要求を満たすわけではないことである。
そのため,AIGIを総合的に評価することが重要である。
従来の研究では、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(aigciqa)データベースをいくつか確立しているが、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,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。
我々は,aigisの品質ラベルを収集し,pku-i2iqaデータベースの包括的分析を行うための主観的実験を行った。
さらに,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した。
最後に、このデータベースを利用してベンチマーク実験を行い、提案するベンチマークモデルの性能を比較する。
PKU-I2IQAデータベースとベンチマークは、将来の研究を促進するためにリリースされる。
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) - 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) - 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) - A Perceptual Quality Assessment Exploration for AIGC Images [39.72512063793346]
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。
論文 参考訳(メタデータ) (2023-03-22T14:59:49Z) - 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) - Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。
本研究では,変換器を用いた全参照IQAモデルの性能について検討する。
また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
論文 参考訳(メタデータ) (2022-04-27T10:21:08Z) - 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) - Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and
Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。
我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。
6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文 参考訳(メタデータ) (2020-05-28T13:35:23Z)
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。