論文の概要: PromptIQA: Boosting the Performance and Generalization for No-Reference
Image Quality Assessment via Prompts
- arxiv url: http://arxiv.org/abs/2403.04993v1
- Date: Fri, 8 Mar 2024 02:10:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 21:15:17.069017
- Title: PromptIQA: Boosting the Performance and Generalization for No-Reference
Image Quality Assessment via Prompts
- Title(参考訳): PromptIQA: Promptsによる非参照画像品質評価のパフォーマンス向上と一般化
- Authors: Zewen Chen, Haina Qin, Juan Wang, Chunfeng Yuan, Bing Li, Weiming Hu,
Liang Wang
- Abstract要約: 本稿では,PmptベースのIQA(PromptIQA)を提案する。
PromptIQAは、さまざまな要件を学習するために、2つの提案されたデータ拡張戦略を備えた混合データセットでトレーニングされている。
実験により、PromptIQAはSOTA法よりも高い性能とより優れた一般化を実現していることが示された。
- 参考スコア(独自算出の注目度): 41.61917426675815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the diversity of assessment requirements in various application
scenarios for the IQA task, existing IQA methods struggle to directly adapt to
these varied requirements after training. Thus, when facing new requirements, a
typical approach is fine-tuning these models on datasets specifically created
for those requirements. However, it is time-consuming to establish IQA
datasets. In this work, we propose a Prompt-based IQA (PromptIQA) that can
directly adapt to new requirements without fine-tuning after training. On one
hand, it utilizes a short sequence of Image-Score Pairs (ISP) as prompts for
targeted predictions, which significantly reduces the dependency on the data
requirements. On the other hand, PromptIQA is trained on a mixed dataset with
two proposed data augmentation strategies to learn diverse requirements, thus
enabling it to effectively adapt to new requirements. Experiments indicate that
the PromptIQA outperforms SOTA methods with higher performance and better
generalization. The code will be available.
- Abstract(参考訳): IQAタスクの様々なアプリケーションシナリオにおける評価要件の多様性のため、既存のIQAメソッドはトレーニング後にこれらの様々な要件に適応するのは難しい。
したがって、新しい要求に直面するとき、典型的なアプローチは、これらの要求のために特別に作成されたデータセットにこれらのモデルを微調整することです。
しかし、IQAデータセットを確立するには時間がかかる。
本研究では,トレーニング後の微調整をすることなく,新たな要件に直接適応できるプロンプトベースの iqa (promptiqa) を提案する。
一方、画像スコアペア(ISP)の短いシーケンスをターゲット予測のプロンプトとして使用することにより、データ要求への依存性を大幅に削減する。
一方、PromptIQAは2つのデータ拡張戦略を備えた混合データセットでトレーニングされ、多様な要件を学習し、新しい要件に効果的に適応することができる。
実験により、PromptIQAはSOTA法よりも高い性能とより良い一般化を実現していることが示された。
コードは利用可能だ。
関連論文リスト
- Boosting CLIP Adaptation for Image Quality Assessment via Meta-Prompt Learning and Gradient Regularization [55.09893295671917]
本稿では,Gdient-Regulated Meta-Prompt IQA Framework (GRMP-IQA)を紹介する。
GRMP-IQAはMeta-Prompt事前学習モジュールとQuality-Aware Gradient Regularizationの2つの主要なモジュールから構成されている。
5つの標準BIQAデータセットの実験は、限られたデータ設定下での最先端BIQA手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2024-09-09T07:26:21Z) - 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) - A Lightweight Constrained Generation Alternative for Query-focused
Summarization [8.264410236351111]
クエリ中心の要約(QFS)は、あるクエリの必要な情報を満たすドキュメントの要約を提供することを目的としている。
我々は,最近開発された制約付き世代モデルニューロロジカルデコーディング(NLD)を,現在のQFS方式の代替として活用することを提案する。
本稿では,2つの公開QFSコレクションに対するこのアプローチの有効性を,複雑性を著しく低減した最先端モデルとほぼ同等に示す。
論文 参考訳(メタデータ) (2023-04-23T18:43:48Z) - Toward Unsupervised Realistic Visual Question Answering [70.67698100148414]
現実的なVQA(RVQA)の問題について検討し、モデルが答えられない質問(UQ)を拒絶し、答えられる質問(AQ)に答えなければならない。
1)データセットには不整合UQが多すぎること,(2)多数の注釈付きUQがトレーニングに必要とされること,の2つの欠点を最初に指摘した。
我々は、既存のVQAデータセットのAQと約29万の人間の注釈付きUQを組み合わせた新しいテストデータセットRGQAを提案する。
これは、画像と質問をランダムにペアリングして得られる擬似UQと、それを結合する。
論文 参考訳(メタデータ) (2023-03-09T06:58:29Z) - Parameter-Efficient Abstractive Question Answering over Tables or Text [60.86457030988444]
QAシステムを求める情報の長期的な野望は、マルチモーダルなコンテキストを推論し、ユーザクエリに対する自然な回答を生成することである。
メモリ集約型事前学習言語モデルは、構造化されていないテキストや構造化テーブルのような特定のモードでQAデータ上のモデルを微調整することで、QAのような下流タスクに適応する。
パラメータ効率の良いアダプタは、トランス層間の小さなタスク固有のボトルネック層を加算し、訓練する。
論文 参考訳(メタデータ) (2022-04-07T10:56:29Z) - Knowledge Graph Question Answering using Graph-Pattern Isomorphism [0.0]
TeBaQAは、SPARQLクエリの基本グラフパターンからグラフ同型に基づいて、質問に答えることを学ぶ。
TeBaQAはQALD-8で最先端のパフォーマンスを達成し、QALD-9とLC-QuAD v1で同等の結果を提供する。
論文 参考訳(メタデータ) (2021-03-11T16:03:24Z) - Template-Based Question Generation from Retrieved Sentences for Improved
Unsupervised Question Answering [98.48363619128108]
擬似学習データを用いてQAモデルを訓練するための教師なしアプローチを提案する。
関連した検索文に簡単なテンプレートを適用してQA学習のための質問を生成すると、元の文脈文よりも、下流QAのパフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2020-04-24T17:57:45Z)
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。