論文の概要: GMC-IQA: Exploiting Global-correlation and Mean-opinion Consistency for
No-reference Image Quality Assessment
- arxiv url: http://arxiv.org/abs/2401.10511v1
- Date: Fri, 19 Jan 2024 06:03:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 16:42:36.468060
- Title: GMC-IQA: Exploiting Global-correlation and Mean-opinion Consistency for
No-reference Image Quality Assessment
- Title(参考訳): GMC-IQA:非参照画像品質評価のためのグローバル相関と平均オピニオン一貫性の爆発
- Authors: Zewen Chen, Juan Wang, Bing Li, Chunfeng Yuan, Weiming Hu, Junxian
Liu, Peng Li, Yan Wang, Youqun Zhang, Congxuan Zhang
- Abstract要約: 我々は,グローバル相関と平均オピニオン整合性を利用する新たな損失関数とネットワークを構築した。
SROCCの微分不可能な問題を解くために、ペアワイズ選好に基づくランク推定を定義することにより、新しいGCC損失を提案する。
また,重み学習のランダム性を軽減するために,多様な意見特徴を統合した平均オピニオンネットワークを提案する。
- 参考スコア(独自算出の注目度): 40.33163764161929
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the subjective nature of image quality assessment (IQA), assessing
which image has better quality among a sequence of images is more reliable than
assigning an absolute mean opinion score for an image. Thus, IQA models are
evaluated by global correlation consistency (GCC) metrics like PLCC and SROCC,
rather than mean opinion consistency (MOC) metrics like MAE and MSE. However,
most existing methods adopt MOC metrics to define their loss functions, due to
the infeasible computation of GCC metrics during training. In this work, we
construct a novel loss function and network to exploit Global-correlation and
Mean-opinion Consistency, forming a GMC-IQA framework. Specifically, we propose
a novel GCC loss by defining a pairwise preference-based rank estimation to
solve the non-differentiable problem of SROCC and introducing a queue mechanism
to reserve previous data to approximate the global results of the whole data.
Moreover, we propose a mean-opinion network, which integrates diverse opinion
features to alleviate the randomness of weight learning and enhance the model
robustness. Experiments indicate that our method outperforms SOTA methods on
multiple authentic datasets with higher accuracy and generalization. We also
adapt the proposed loss to various networks, which brings better performance
and more stable training.
- Abstract(参考訳): 画質アセスメント(iqa)の主観的性質から、画像に対して絶対平均評価スコアを割り当てるよりも、画像列間でどの画像がより良い品質を持つかを評価する方が信頼性が高い。
したがって、IQAモデルは、MAEやMSEのような平均意見整合(MOC)メトリクスではなく、PLCCやSROCCのようなグローバル相関整合(GCC)メトリクスによって評価される。
しかし、既存のほとんどの手法では、トレーニング中にGCCメトリクスを計算できないため、損失関数を定義するためにMOCメトリクスを採用している。
本研究では,グローバル相関と平均オピニオン整合性を利用する新たな損失関数とネットワークを構築し,GMC-IQAフレームワークを構築する。
具体的には,sroccの非微分問題を解くために,ペアワイズな選好に基づくランク推定を定義し,前のデータを予約するキュー機構を導入し,全データの大域的な結果の近似を行い,新たなgcc損失を提案する。
さらに,重み学習のランダム性を緩和し,モデルロバスト性を高めるために,多様な意見特徴を統合した平均オピニオンネットワークを提案する。
実験の結果,本手法はsoma法よりも精度と一般化が優れることがわかった。
また、提案する損失をさまざまなネットワークに適応させることで、パフォーマンスの向上とより安定したトレーニングを実現します。
関連論文リスト
- UNIQA: A Unified Framework for Both Full-Reference and No-Reference
Image Quality Assessment [53.895598734070695]
完全参照(FR)と非参照(NR)のIQAのための統一ネットワークを提案する。
入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層自己認識(HSA)モジュールを提案する。
HSA と CSCA を採用することにより,提案ネットワークは FR と NR IQA の両方を効果的に実行することができる。
論文 参考訳(メタデータ) (2023-10-14T11:03:04Z) - Uncertainty in GNN Learning Evaluations: The Importance of a Consistent
Benchmark for Community Detection [4.358468367889626]
グラフニューラルネットワーク(GNN)の共通評価プロトコルを確立するためのフレームワークを提案する。
プロトコルの有無の相違を実証することで、モチベーションと正当化を行います。
また,同じ評価基準が従うことを保証することで,本課題における手法の性能と有意な差があることが判明した。
論文 参考訳(メタデータ) (2023-05-10T10:22:28Z) - GREAT Score: Global Robustness Evaluation of Adversarial Perturbation
using Generative Models [74.43215520371506]
GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。
我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。
GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
論文 参考訳(メタデータ) (2023-04-19T14:58:27Z) - MSTRIQ: No Reference Image Quality Assessment Based on Swin Transformer
with Multi-Stage Fusion [8.338999282303755]
本稿では,Swin Transformerに基づく新しいアルゴリズムを提案する。
ローカル機能とグローバル機能の両方から情報を集約して、品質をより正確に予測する。
NTIRE 2022 Perceptual Image Quality Assessment Challengeのノーレファレンストラックで2位。
論文 参考訳(メタデータ) (2022-05-20T11:34:35Z) - 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) - 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) - Label Geometry Aware Discriminator for Conditional Generative Networks [40.89719383597279]
条件付きGenerative Adversarial Networks(GAN)は、目的のターゲットクラスで高画質の画像を生成することができます。
これらの合成画像は、画像分類などの下流監督タスクを改善するために必ずしも役に立たない。
論文 参考訳(メタデータ) (2021-05-12T08:17:25Z) - MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment [73.55944459902041]
本稿では,深層メタラーニングに基づく非参照IQA尺度を提案する。
まず、様々な歪みに対してNR-IQAタスクを収集する。
次にメタラーニングを用いて、多彩な歪みによって共有される事前知識を学習する。
大規模な実験により、提案された計量は最先端の技術を大きなマージンで上回ることを示した。
論文 参考訳(メタデータ) (2020-04-11T23:36:36Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳(メタデータ) (2020-02-27T10:22:17Z)
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。