論文の概要: Compressed image quality assessment using stacking
- arxiv url: http://arxiv.org/abs/2402.00993v1
- Date: Thu, 1 Feb 2024 20:12:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 17:52:35.425206
- Title: Compressed image quality assessment using stacking
- Title（参考訳）: 積み重ねによる圧縮画像品質評価
- Authors: S. Farhad Hosseini-Benvidi, Hossein Motamednia, Azadeh Mansouri,
Mohammadreza Raei, Ahmad Mahmoudi-Aznaveh
- Abstract要約: 圧縮画像品質評価において、一般化は大きな課題であると見なすことができる。
表示されたIQAには、セマンティック情報と低レベル情報の両方が使われ、人間の視覚システムを予測する。
clic2024の知覚画像チャレンジの品質ベンチマークの精度は79.6%に達した。
- 参考スコア（独自算出の注目度）: 4.971244477217376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is well-known that there is no universal metric for image quality
evaluation. In this case, distortion-specific metrics can be more reliable. The
artifact imposed by image compression can be considered as a combination of
various distortions. Depending on the image context, this combination can be
different. As a result, Generalization can be regarded as the major challenge
in compressed image quality assessment. In this approach, stacking is employed
to provide a reliable method. Both semantic and low-level information are
employed in the presented IQA to predict the human visual system. Moreover, the
results of the Full-Reference (FR) and No-Reference (NR) models are aggregated
to improve the proposed Full-Reference method for compressed image quality
evaluation. The accuracy of the quality benchmark of the clic2024 perceptual
image challenge was achieved 79.6\%, which illustrates the effectiveness of the
proposed fusion-based approach.
- Abstract（参考訳）: 画像品質評価に普遍的な指標がないことはよく知られている。
この場合、歪み特異的なメトリクスはより信頼性が高い。
画像圧縮によって課されるアーティファクトは、様々な歪みの組み合わせと見なすことができる。
画像のコンテキストによって、この組み合わせは異なる可能性がある。
その結果,圧縮画像品質評価において,一般化が大きな課題であると考えられる。
このアプローチでは、信頼性の高い方法を提供するためにスタックが使用される。
表示されたIQAには意味情報と低レベル情報の両方が使われ、人間の視覚システムを予測する。
さらに、圧縮画像品質評価のためのフル参照法を改善するために、フル参照(FR)モデルとNo-Reference(NR)モデルの結果を集約する。
clic2024の知覚イメージチャレンジの品質ベンチマークの精度は79.6\%となり,提案手法の有効性が示された。
関連論文リスト
- Fine-grained subjective visual quality assessment for high-fidelity compressed images [4.787528476079247]
JPEG標準化プロジェクトであるAICは、高忠実度画像に対する主観的な画質評価手法を開発している。
本稿では,提案手法,高品質な圧縮画像のデータセット,およびそれに対応するクラウドソースによる視覚的品質評価について述べる。
また、単に目立った差分(JND)単位で品質スケールの値を再構築するデータ分析のアプローチも概説している。
論文 参考訳（メタデータ） (2024-10-12T11:37:19Z) - 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) - BAND-2k: Banding Artifact Noticeable Database for Banding Detection and
Quality Assessment [52.1640725073183]
バンディングは階段のような輪郭としても知られ、圧縮または量子化アルゴリズムによって処理された画像やビデオの平坦な領域で頻繁に発生する。
これまでに2000枚のバンド化画像からなるBanding Artifact Noticeable Database (BAND-2k) という,最大のBanding IQAデータベースを構築した。
デュアル畳み込みニューラルネットワークを用いて、高周波および低周波マップから特徴表現を同時に学習する。
論文 参考訳（メタデータ） (2023-11-29T15:56:31Z) - ARNIQA: Learning Distortion Manifold for Image Quality Assessment [28.773037051085318]
No-Reference Image Quality Assessment (NR-IQA) は、高品質な参照画像を必要としない、人間の知覚に合わせて画像品質を測定する手法を開発することを目的としている。
本研究では、画像歪み多様体をモデル化し、本質的な表現を得るための自己教師型アプローチ ARNIQA を提案する。
論文 参考訳（メタデータ） (2023-10-20T17:22:25Z) - PIQI: Perceptual Image Quality Index based on Ensemble of Gaussian
Process Regression [2.9412539021452715]
デジタル画像の品質を評価するためにPIQI(Perceptual Image Quality Index)を提案する。
PIQIの性能は6つのベンチマークデータベースでチェックされ、12の最先端の手法と比較される。
論文 参考訳（メタデータ） (2023-05-16T06:44:17Z) - 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) - 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) - Learning Conditional Knowledge Distillation for Degraded-Reference Image
Quality Assessment [157.1292674649519]
劣化参照IQA(DR-IQA)という実用的な解を提案する。
DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。
私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
論文 参考訳（メタデータ） (2021-08-18T02:35:08Z) - Residual Networks based Distortion Classification and Ranking for
Laparoscopic Image Quality Assessment [12.374294852377382]
腹腔鏡画像やビデオは、ノイズ、煙、ぼやけ、均一でない照明など、様々な種類の歪みに影響されることが多い。
本稿では,歪みの重大度レベル(またはランク)を考慮し,画像品質評価タスクを多ラベル分類問題として定式化する。
腹腔鏡画像データセットで得られた結果は,提案手法の効率性を示す。
論文 参考訳（メタデータ） (2021-06-12T14:26:11Z) - Deep Perceptual Image Quality Assessment for Compression [12.868773445948507]
人間の好みに合わせて、これまでで最大の画像圧縮品質データセットを提案します。
新しいデータセットで利用可能な数千の例から,提案モデルが効果的に学習できることを実証する。
論文 参考訳（メタデータ） (2021-03-01T16:31:10Z)
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。