論文の概要: Contrastive Local Manifold Learning for No-Reference Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2406.19247v2
• Date: Mon, 13 Oct 2025 16:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 14:23:56.660391
• Title: Contrastive Local Manifold Learning for No-Reference Image Quality Assessment
• Title（参考訳）: 非参照画像品質評価のための対照的な局所的マニフォールド学習
• Authors: Zihao Huang, Runze Hu, Timin Gao, Yan Zhang, Yunhang Shen, Ke Li,
• Abstract要約: LML-IQAは、局所多様体学習とコントラスト学習を組み合わせた革新的な非参照IQA(NR-IQA)アプローチである。 提案手法はまず各画像から複数のパッチを抽出し,最も視覚的に有意な領域を同定する。 8つのベンチマークデータセットに対する実験は、最先端の手法よりも大きなパフォーマンス向上を示している。
• 参考スコア（独自算出の注目度）: 30.346699251783733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image Quality Assessment (IQA) methods typically overlook local manifold structures, leading to compromised discriminative capabilities in perceptual quality evaluation. To address this limitation, we present LML-IQA, an innovative no-reference IQA (NR-IQA) approach that leverages a combination of local manifold learning and contrastive learning. Our approach first extracts multiple patches from each image and identifies the most visually salient region. This salient patch serves as a positive sample for contrastive learning, while other patches from the same image are treated as intra-class negatives to preserve local distinctiveness. Patches from different images also act as inter-class negatives to enhance feature separation. Additionally, we introduce a mutual learning strategy to improve the model's ability to recognize and prioritize visually important regions. Comprehensive experiments across eight benchmark datasets demonstrate significant performance gains over state-of-the-art methods, achieving a PLCC of 0.942 on TID2013 (compared to 0.908) and 0.977 on CSIQ (compared to 0.965).
• Abstract（参考訳）: 画像品質評価(IQA)法は、一般的に局所多様体構造を見落とし、知覚的品質評価における識別能力を損なう。 この制限に対処するために,局所多様体学習とコントラスト学習を組み合わせた革新的な非参照IQA(NR-IQA)アプローチであるLML-IQAを提案する。 提案手法はまず各画像から複数のパッチを抽出し,最も視覚的に有意な領域を同定する。 この正のパッチは対照的な学習の正のサンプルとして機能し、同じ画像からの他のパッチは、局所的な特徴を維持するためにクラス内陰性として扱われる。 異なるイメージからのパッチは、機能分離を強化するためにクラス間ネガとしても機能する。 さらに、視覚的に重要な領域を認識・優先順位付けするモデルの能力を改善するための相互学習戦略を導入する。 TID2013(0.908)では0.942、CSIQ(0.965)では0.977である。

関連論文リスト

• Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method [4.303291247305105]
  モデルロバスト性を高めるために、画像レベルラベルとドメイン固有の拡張の両方を活用することで教師付きコントラスト学習法を改善する。 乳癌の病理組織像から得られたBreakHisデータセットについて検討した。 この改良は93.63%の絶対精度に対応し、データの特性を利用してより適切な表現空間を学習するアプローチの有効性を強調した。
  論文  参考訳（メタデータ） (2024-05-06T17:06:11Z)
• LeOCLR: Leveraging Original Images for Contrastive Learning of Visual Representations [4.680881326162484]
  画像分類やオブジェクト検出などの下流タスクにおける教師あり学習よりも優れている。 対照的な学習における一般的な強化手法は、ランダムな収穫とそれに続くリサイズである。 本稿では,新しいインスタンス識別手法と適応型損失関数を用いたフレームワークであるLeOCLRを紹介する。
  論文  参考訳（メタデータ） (2024-03-11T15:33:32Z)
• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
  コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。 クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
  論文  参考訳（メタデータ） (2022-04-02T16:58:36Z)
• Magnification-independent Histopathological Image Classification with Similarity-based Multi-scale Embeddings [12.398787062519034]
  本稿では,類似性に基づく画像分類のためのマルチスケール埋め込みを学習する手法を提案する。 特に、対損失と三重項損失を利用して、画像対や画像三重項から類似性に基づく埋め込みを学習する。 SMSEはBreakHisベンチマークで最高のパフォーマンスを達成しており、従来の方法に比べて5%から18%改善されている。
  論文  参考訳（メタデータ） (2021-07-02T13:18:45Z)
• With a Little Help from My Friends: Nearest-Neighbor Contrastive Learning of Visual Representations [87.72779294717267]
  対比損失で最も近い隣り合わせを正として使用すると、ImageNet分類でパフォーマンスが大幅に向上します。 提案手法が複雑なデータ拡張に依存しないことを実証的に証明する。
  論文  参考訳（メタデータ） (2021-04-29T17:56:08Z)
• Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
  既存のコントラスト学習法は、非常に低い学習効率に苦しむ。 アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。 中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-18T07:47:10Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)

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。