論文の概要: Adaptive Feature Selection for No-Reference Image Quality Assessment
using Contrastive Mitigating Semantic Noise Sensitivity
- arxiv url: http://arxiv.org/abs/2312.06158v1
- Date: Mon, 11 Dec 2023 06:50:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 16:40:14.991855
- Title: Adaptive Feature Selection for No-Reference Image Quality Assessment
using Contrastive Mitigating Semantic Noise Sensitivity
- Title(参考訳): コントラスト緩和意味雑音感度を用いた非参照画像品質評価のための適応的特徴選択
- Authors: Xudong Li, Timin Gao, Xiawu Zheng, Runze Hu, Jingyuan Zheng, Yunhang
Shen, Ke Li, Yutao Liu, Pingyang Dai, Yan Zhang, Rongrong Ji
- Abstract要約: 本稿では,上流タスクから有害な特徴を取り除くために,コントラスト学習を利用する品質認識特徴マッチングIQA指標を提案する。
提案手法は,8つの標準NR-IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
- 参考スコア(独自算出の注目度): 55.22876742378396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The current state-of-the-art No-Reference Image Quality Assessment (NR-IQA)
methods typically use feature extraction in upstream backbone networks, which
assumes that all extracted features are relevant. However, we argue that not
all features are beneficial, and some may even be harmful, necessitating
careful selection. Empirically, we find that many image pairs with small
feature spatial distances can have vastly different quality scores. To address
this issue, we propose a Quality-Aware Feature Matching IQA metric(QFM-IQM)
that employs contrastive learning to remove harmful features from the upstream
task. Specifically, our approach enhances the semantic noise distinguish
capabilities of neural networks by comparing image pairs with similar semantic
features but varying quality scores and adaptively adjusting the upstream
task's features by introducing disturbance. Furthermore, we utilize a
distillation framework to expand the dataset and improve the model's
generalization ability. Our approach achieves superior performance to the
state-of-the-art NR-IQA methods on 8 standard NR-IQA datasets, achieving PLCC
values of 0.932 (vs. 0.908 in TID2013) and 0.913 (vs. 0.894 in LIVEC).
- Abstract(参考訳): 現在最先端のNo-Reference Image Quality Assessment (NR-IQA) 法は、通常上流のバックボーンネットワークで特徴抽出を使用する。
しかし、すべての特徴が有益であるわけではないし、有害である可能性もあります。
実験により,小さな特徴空間距離を持つ画像対は,品質スコアが大きく異なることがわかった。
この問題に対処するために,コントラスト学習を用いて上流タスクから有害な特徴を除去するQFM-IQM(Quality-Aware Feature Matching IQA metric)を提案する。
具体的には,画像対と類似した意味的特徴を比較し,品質スコアを変化させ,外乱を導入することで上流タスクの特徴を適応的に調整することで,ニューラルネットワークの意味的ノイズ識別能力を向上させる。
さらに,蒸留フレームワークを用いてデータセットを拡張し,モデルの一般化能力を向上させる。
提案手法は,8つの標準NR-IQAデータセット上での最先端NR-IQA法よりも優れた性能を示し,PLCC値が0.932 (vs. 0.908 in TID2013) と0.913 (vs. 0.894 in LIVEC) である。
関連論文リスト
- Feature Denoising Diffusion Model for Blind Image Quality Assessment [58.5808754919597]
Blind Image Quality Assessment (BIQA) は、基準ベンチマークを使わずに、人間の知覚に合わせて画質を評価することを目的としている。
ディープラーニング BIQA の手法は、一般的に、伝達学習のための高レベルのタスクの特徴の使用に依存する。
本稿では,BIQAにおける特徴認知のための拡散モデルについて検討する。
論文 参考訳(メタデータ) (2024-01-22T13:38:24Z) - Less is More: Learning Reference Knowledge Using No-Reference Image
Quality Assessment [58.09173822651016]
No-Reference Image Quality Assessment 設定で参照知識を学習することは可能であると論じる。
非整列参照画像から比較知識を学習するための新しいフレームワークを提案する。
8つの標準NR-IQAデータセットの実験は、最先端のNR-IQA法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2023-12-01T13:56:01Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳(メタデータ) (2022-11-09T14:57:27Z) - Attentions Help CNNs See Better: Attention-based Hybrid Image Quality
Assessment Network [20.835800149919145]
画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を定量化することを目的としている。
GAN(Generative Adversarial Network)によって生成された歪み画像を、一見現実的なテクスチャで評価する際の性能低下がある。
本稿では,AHIQ(Hybrid Image Quality Assessment Network)を提案する。
論文 参考訳(メタデータ) (2022-04-22T03:59:18Z) - MANIQA: Multi-dimension Attention Network for No-Reference Image Quality
Assessment [18.637040004248796]
No-Reference Image Quality Assessment (NR-IQA) は、人間の主観的知覚に応じて画像の知覚品質を評価することを目的としている。
既存のNR-IQA法は、GANに基づく歪み画像の正確な品質スコアを予測する必要性を満たすには程遠い。
本稿では,非参照画像品質評価(MANIQA)のための多次元注意ネットワークを提案する。
論文 参考訳(メタデータ) (2022-04-19T15:56:43Z) - Can No-reference features help in Full-reference image quality
estimation? [20.491565297561912]
完全参照IQAタスクにおけるノン参照機能の利用について検討する。
我々のモデルは、多くの最先端アルゴリズムよりも高いSRCCとKRCCのスコアを達成する。
論文 参考訳(メタデータ) (2022-03-02T03:39:28Z) - Learning Transformer Features for Image Quality Assessment [53.51379676690971]
本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。
提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
論文 参考訳(メタデータ) (2021-12-01T13:23:00Z) - 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) - No-Reference Image Quality Assessment via Feature Fusion and Multi-Task
Learning [29.19484863898778]
ブラインドまたはノン参照画像品質評価(NR-IQA)は基本的な問題であり、未解決であり、難しい問題である。
マルチタスク学習に基づく簡易かつ効果的な汎用的ノンリフレクション(NR)画像品質評価フレームワークを提案する。
このモデルでは、歪み型と主観的な人間のスコアを用いて画質を推定する。
論文 参考訳(メタデータ) (2020-06-06T05:04:10Z)
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。