論文の概要: High Resolution Image Quality Database

• arxiv url: http://arxiv.org/abs/2401.16087v1
• Date: Mon, 29 Jan 2024 11:55:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 15:02:47.845344
• Title: High Resolution Image Quality Database
• Title（参考訳）: 高解像度画像品質データベース
• Authors: Huang Huang, Qiang Wan, Jari Korhonen
• Abstract要約: 解像度2880×2160ピクセルの1120枚の画像からなる新しい高解像度画像品質データベース(HRIQ)を作成する。 高解像度画像の平均評価スコア(MOS)を正確に予測するために,BIQAモデルをトレーニングするための高解像度画像品質データベースの重要性を実証するために,本データベースの様々な解像度バージョンに基づいて,従来の深層学習に基づくBIQA手法を訓練・試験した。
• 参考スコア（独自算出の注目度）: 16.741536204898555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With technology for digital photography and high resolution displays rapidly evolving and gaining popularity, there is a growing demand for blind image quality assessment (BIQA) models for high resolution images. Unfortunately, the publicly available large scale image quality databases used for training BIQA models contain mostly low or general resolution images. Since image resizing affects image quality, we assume that the accuracy of BIQA models trained on low resolution images would not be optimal for high resolution images. Therefore, we created a new high resolution image quality database (HRIQ), consisting of 1120 images with resolution of 2880x2160 pixels. We conducted a subjective study to collect the subjective quality ratings for HRIQ in a controlled laboratory setting, resulting in accurate MOS at high resolution. To demonstrate the importance of a high resolution image quality database for training BIQA models to predict mean opinion scores (MOS) of high resolution images accurately, we trained and tested several traditional and deep learning based BIQA methods on different resolution versions of our database. The database is publicly available in https://github.com/jarikorhonen/hriq.
• Abstract（参考訳）: デジタル写真や高解像度ディスプレイの技術は急速に進化し人気が高まり、高解像度画像に対するブラインド画像品質評価(BIQA)モデルへの需要が高まっている。 残念ながら、BIQAモデルのトレーニングに使用される大規模な画像品質データベースには、主に低解像度または一般解像度の画像が含まれている。 画像のリサイズ化は画質に影響するため、低解像度画像でトレーニングされたBIQAモデルの精度は高解像度画像に最適ではないと仮定する。 そこで我々は,解像度2880×2160ピクセルの1120枚の画像からなる高解像度画像品質データベース(HRIQ)を開発した。 本研究は, HRIQの主観的品質評価を制御実験室で収集する主観的研究であり, 精度の高いMOSが得られた。 高分解能画像の平均評価スコア(mos)を正確に予測するためのbiqaモデルのトレーニングにおける高分解能画像品質データベースの重要性を実証するために,従来型および深層学習型biqa手法をデータベースの異なる解像度バージョンでトレーニングし,テストした。 データベースはhttps://github.com/jarikorhonen/hriqで公開されている。

関連論文リスト

• AIM 2024 Challenge on UHD Blind Photo Quality Assessment [49.54883484094671]
  AIM 2024 UHD-IQA Challengeは、最新の高解像度写真のためのNo-Reference Image Quality Assessment (NR-IQA)タスクの推進を目的としている。 この課題は、最近リリースされたUHD-IQAベンチマークデータベースに基づいており、このデータベースは、6,073 UHD-1 (4K)イメージに、専門家のレーナーによる知覚的品質評価が付加されている。
  論文  参考訳（メタデータ） (2024-09-24T17:44:24Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [54.139923409101044]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• 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)
• Quality-aware Pre-trained Models for Blind Image Quality Assessment [15.566552014530938]
  ブラインド画像品質評価(BIQA)は,画像の知覚品質を自動的に評価することを目的としている。 本稿では,BIQA用にカスタマイズされたプレテキストタスクを用いて,自己教師型学習方式でこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2023-03-01T13:52:40Z)
• Going the Extra Mile in Face Image Quality Assessment: A Novel Database and Model [42.05084438912876]
  現在までに開発された最大のアノテートIQAデータベースについて紹介する。 本稿では,顔画像の品質を正確に予測する新しいディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2022-07-11T14:28:18Z)
• Subjective Quality Assessment for Images Generated by Computer Graphics [40.86516321054218]
  コンピュータグラフィックス生成画像(CGI)は、アーキテクチャ設計、ビデオゲーム、シミュレーター、映画など、実用的な応用シナリオで広く利用されている。 一部のCGIは、クラウドゲームやストリームメディアのような送信システムの圧縮歪みに悩まされている。 CG-IQAタスクの課題に対処するため,大規模主観的CG-IQAデータベースを構築した。
  論文  参考訳（メタデータ） (2022-06-10T11:48:24Z)
• 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)
• MUSIQ: Multi-scale Image Quality Transformer [22.908901641767688]
  現在のIQA法は畳み込みニューラルネットワーク(CNN)に基づいている マルチスケール画像品質変換器(MUSIQ)を設計し,サイズやアスペクト比の異なるネイティブ解像度画像を処理する。 提案手法は,マルチスケールの画像表現により,様々な粒度で画像品質を捉えることができる。
  論文  参考訳（メタデータ） (2021-08-12T23:36:22Z)
• Advanced Single Image Resolution Upsurging Using a Generative Adversarial Network [0.0]
  ファジィ品質のため、解像度の低い画像が適さないため、画像の高解像度が常に好ましい。 ディープネットワークを用いたResidual In Residual Dense Blockネットワークアーキテクチャを用いて,高解像度画像を生成する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-30T05:40:44Z)
• 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。