論文の概要: NTIRE 2025 Challenge on Short-form UGC Video Quality Assessment and Enhancement: KwaiSR Dataset and Study

• arxiv url: http://arxiv.org/abs/2504.15003v1
• Date: Mon, 21 Apr 2025 10:04:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 16:41:54.435837
• Title: NTIRE 2025 Challenge on Short-form UGC Video Quality Assessment and Enhancement: KwaiSR Dataset and Study
• Title（参考訳）: NTIRE 2025 短期UGCビデオ品質評価と向上への挑戦:KwaiSRデータセットと研究
• Authors: Xin Li, Xijun Wang, Bingchen Li, Kun Yuan, Yizhen Shao, Suhang Yao, Ming Sun, Chao Zhou, Radu Timofte, Zhibo Chen,
• Abstract要約: 我々は、KwaiSRと呼ばれるワイルドな画像超解像のための最初のベンチマークデータセットを構築した。 このデータセットは、合成と野生の2つの部分からなるクウェープラットフォームから収集される。 KwaiSRデータセットに基づいて、第2の短いビデオ品質評価と改善に関するNTIRE 2025チャレンジを組織する。
• 参考スコア（独自算出の注目度）: 57.45921692668671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we build the first benchmark dataset for short-form UGC Image Super-resolution in the wild, termed KwaiSR, intending to advance the research on developing image super-resolution algorithms for short-form UGC platforms. This dataset is collected from the Kwai Platform, which is composed of two parts, i.e., synthetic and wild parts. Among them, the synthetic dataset, including 1,900 image pairs, is produced by simulating the degradation following the distribution of real-world low-quality short-form UGC images, aiming to provide the ground truth for training and objective comparison in the validation/testing. The wild dataset contains low-quality images collected directly from the Kwai Platform, which are filtered using the quality assessment method KVQ from the Kwai Platform. As a result, the KwaiSR dataset contains 1800 synthetic image pairs and 1900 wild images, which are divided into training, validation, and testing parts with a ratio of 8:1:1. Based on the KwaiSR dataset, we organize the NTIRE 2025 challenge on a second short-form UGC Video quality assessment and enhancement, which attracts lots of researchers to develop the algorithm for it. The results of this competition have revealed that our KwaiSR dataset is pretty challenging for existing Image SR methods, which is expected to lead to a new direction in the image super-resolution field. The dataset can be found from https://lixinustc.github.io/NTIRE2025-KVQE-KwaSR-KVQ.github.io/.
• Abstract（参考訳）: 本研究は,短フォーマットのUGC画像超解像のための最初のベンチマークデータセットを構築し,短フォーマットのUGCプラットフォームのための画像超解像アルゴリズムの開発を前進させることを目的としている。 このデータセットは、合成と野生の2つの部分からなるクウェープラットフォームから収集される。 そのうち1,900枚の画像対を含む合成データセットは、実世界の低品質な短フォーマットGC画像の分布の後に劣化をシミュレートして作成され、検証/テストのトレーニングと客観的比較のための基礎的真実を提供することを目的としている。 野生のデータセットには、Kwai Platformから直接収集された低品質の画像が含まれており、Kwai Platformの品質評価手法であるKVQを用いてフィルタリングされる。 その結果、KwaiSRデータセットには1800の合成画像対と1900の野生画像が含まれており、トレーニング、検証、テスト部品に8:1:1の比率で分割されている。 KwaiSRデータセットに基づいて、第2の短いUGCビデオ品質評価と改善に関するNTIRE 2025チャレンジを組織し、そのアルゴリズムの開発に多くの研究者を惹きつける。 このコンペの結果、我々のKwaiSRデータセットは既存の画像SR法ではかなり難しいことが判明した。 データセットはhttps://lixinustc.github.io/NTIRE2025-KVQE-KwaSR-KVQ.github.io/で見ることができる。

関連論文リスト

• NTIRE 2025 Challenge on Short-form UGC Video Quality Assessment and Enhancement: Methods and Results [179.05961380270648]
  NTIRE 2025 Challenge on Short-form Video Quality Assessment and Enhancement 課題は, (i) 映像品質評価(KVQ) と (ii) 拡散に基づく画像超解像(KwaiSR) の2つのトラックからなる。
  論文  参考訳（メタデータ） (2025-04-17T17:45:34Z)
• Application of Generative Adversarial Network (GAN) for Synthetic Training Data Creation to improve performance of ANN Classifier for extracting Built-Up pixels from Landsat Satellite Imagery [0.0]
  低解像度ランドサット画像を用いた画素ベース分類タスクのためのニューラルネットワークの訓練は困難である。 このようなトレーニングデータの不足のため、ニューラルネットワークは期待されるレベルの精度を達成できない可能性がある。 この制限は、トレーニングされたサンプルデータと同じ分布を持つ合成データを生成することを目的とした生成ネットワークを用いて克服することができる。
  論文  参考訳（メタデータ） (2025-01-31T16:47:22Z)
• Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
  画像超解像(SR)におけるトレーニングデータの効果について検討する。 そこで我々は,自動画像評価パイプラインを提案する。 その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
  論文  参考訳（メタデータ） (2024-09-01T16:25:04Z)
• NTIRE 2024 Challenge on Image Super-Resolution ($\times$4): Methods and Results [126.78130602974319]
  画像の超高解像度化に関するNTIRE 2024の課題(4ドル)をレビューする。 この課題は、低解像度(LR)入力から4倍の倍率で対応する高解像度(HR)画像を生成することである。 この挑戦の目的は、最も先進的なSR性能を持つ設計/解決を得ることである。
  論文  参考訳（メタデータ） (2024-04-15T13:45:48Z)
• Efficient Test-Time Adaptation for Super-Resolution with Second-Order Degradation and Reconstruction [62.955327005837475]
  画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。 SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
  論文  参考訳（メタデータ） (2023-10-29T13:58:57Z)
• Randomize to Generalize: Domain Randomization for Runway FOD Detection [1.4249472316161877]
  細い物体検出は、小型化、低解像度化、オクルージョン化、背景クラッタ、照明条件、被写体対画像比の小さいため困難である。 本稿では,SRIA(Synthetic Image Augmentation)の新たな2段階手法を提案する。 検出精度は初期41%からOODテストセットの92%に改善した。
  論文  参考訳（メタデータ） (2023-09-23T05:02:31Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)

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。