論文の概要: Progressive Feature Fusion Network for Enhancing Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2401.06992v1
• Date: Sat, 13 Jan 2024 06:34:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 20:18:29.670457
• Title: Progressive Feature Fusion Network for Enhancing Image Quality Assessment
• Title（参考訳）: 画像品質評価を支援するプログレッシブ・フィーチャーフュージョンネットワーク
• Authors: Kaiqun Wu, Xiaoling Jiang, Rui Yu, Yonggang Luo, Tian Jiang, Xi Wu, Peng Wei
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.06731856250435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image compression has been applied in the fields of image storage and video broadcasting. However, it's formidably tough to distinguish the subtle quality differences between those distorted images generated by different algorithms. In this paper, we propose a new image quality assessment framework to decide which image is better in an image group. To capture the subtle differences, a fine-grained network is adopted to acquire multi-scale features. Subsequently, we design a cross subtract block for separating and gathering the information within positive and negative image pairs. Enabling image comparison in feature space. After that, a progressive feature fusion block is designed, which fuses multi-scale features in a novel progressive way. Hierarchical spatial 2D features can thus be processed gradually. Experimental results show that compared with the current mainstream image quality assessment methods, the proposed network can achieve more accurate image quality assessment and ranks second in the benchmark of CLIC in the image perceptual model track.
• Abstract（参考訳）: 画像圧縮は、画像ストレージやビデオ放送の分野で応用されている。 しかし、異なるアルゴリズムで生成された歪んだ画像の微妙な画質の違いを区別するのは、非常に難しいです。 本稿では,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いネットワークを採用する。 その後、正と負のイメージペア内の情報を分離して収集するクロスサブトラクションブロックを設計する。 特徴空間における画像の比較 その後、プログレッシブ機能融合ブロックが設計され、新しいプログレッシブな方法でマルチスケール機能を融合する。 これにより、階層的な空間2次元特徴を徐々に処理することができる。 実験の結果,従来の主流画像品質評価手法と比較して,提案ネットワークはより正確な画像品質評価を達成でき,画像知覚モデルトラックにおけるCLICのベンチマークでは2位であることがわかった。

関連論文リスト

• Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
  画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。 本研究では,既存のデータ拡張技術の欠点について検討する。 Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T17:23:45Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T06:59:07Z)
• Multi-cropping Contrastive Learning and Domain Consistency for Unsupervised Image-to-Image Translation [5.562419999563734]
  マルチクロップ型コントラスト学習とドメイン整合性に基づく新しい教師なし画像から画像への翻訳フレームワーク MCDUT を提案する。 多くの画像と画像の翻訳タスクにおいて,本手法は最先端の結果を達成し,その利点は比較実験とアブレーション研究によって証明されている。
  論文  参考訳（メタデータ） (2023-04-24T16:20:28Z)
• Test your samples jointly: Pseudo-reference for image quality evaluation [3.2634122554914]
  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。
  論文  参考訳（メタデータ） (2023-04-07T17:59:27Z)
• Image Quality Assessment with Gradient Siamese Network [8.958447396656581]
  画像品質評価のためのグラディエント・シームズ・ネットワーク(GSN)を提案する。 画像ペアに隠された意味的特徴と細部の違いの両方を得るために、中央微分畳み込みを利用する。 ネットワークが抽出した低レベル,中レベル,高レベルの特徴に対して,多レベル融合法を革新的に設計する。
  論文  参考訳（メタデータ） (2022-08-08T12:10:38Z)
• 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)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• High-Quality Pluralistic Image Completion via Code Shared VQGAN [51.7805154545948]
  高速な推論速度で高品質と多様性を両立させることができる多元画像補完のための新しい枠組みを提案する。 我々のフレームワークは、セマンティックにリッチな離散的なコードを効率的かつ堅牢に学習することができ、画像再構成の品質が大幅に向上する。
  論文  参考訳（メタデータ） (2022-04-05T01:47:35Z)
• Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
  監視されていない画像強調生成ネットワーク(UEGAN)を提案する。 教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。 その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:22:46Z)
• Blind Quality Assessment for Image Superresolution Using Deep Two-Stream Convolutional Networks [41.558981828761574]
  我々は,非参照深部ニューラルネットワークを用いたSR画像品質評価器(DeepSRQ)を提案する。 様々な歪んだSR画像のより識別的な特徴表現を学習するために、提案したDeepSRQは2ストリームの畳み込みネットワークである。 3つの公開SR画像品質データベースの実験結果から,提案したDeepSRQの有効性と一般化能力を示す。
  論文  参考訳（メタデータ） (2020-04-13T19:14:28Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。