論文の概要: AU-IQA: A Benchmark Dataset for Perceptual Quality Assessment of AI-Enhanced User-Generated Content
- arxiv url: http://arxiv.org/abs/2508.05016v1
- Date: Thu, 07 Aug 2025 03:55:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.709282
- Title: AU-IQA: A Benchmark Dataset for Perceptual Quality Assessment of AI-Enhanced User-Generated Content
- Title（参考訳）: AU-IQA:AIによるユーザ生成コンテンツの知覚品質評価のためのベンチマークデータセット
- Authors: Shushi Wang, Chunyi Li, Zicheng Zhang, Han Zhou, Wei Dong, Jun Chen, Guangtao Zhai, Xiaohong Liu,
- Abstract要約: AIベースの画像強調技術は様々な視覚的応用に広く採用されており、ユーザ生成コンテンツ(UGC)の知覚品質が著しく向上している。
専門品質評価モデルの欠如は、ユーザエクスペリエンスを制限し、拡張手法の進歩を妨げる、この分野において重要な制限要因となっている。
代表的な3種類のAI-UGC画像から4,800個のAI-UGC画像を生成するベンチマークデータセットであるAU-IQAを構築した。
本データセットでは,従来のIQA法や大規模マルチモーダルモデルなど,既存の品質評価モデルについて評価する。
- 参考スコア（独自算出の注目度）: 43.82962694838953
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: AI-based image enhancement techniques have been widely adopted in various visual applications, significantly improving the perceptual quality of user-generated content (UGC). However, the lack of specialized quality assessment models has become a significant limiting factor in this field, limiting user experience and hindering the advancement of enhancement methods. While perceptual quality assessment methods have shown strong performance on UGC and AIGC individually, their effectiveness on AI-enhanced UGC (AI-UGC) which blends features from both, remains largely unexplored. To address this gap, we construct AU-IQA, a benchmark dataset comprising 4,800 AI-UGC images produced by three representative enhancement types which include super-resolution, low-light enhancement, and denoising. On this dataset, we further evaluate a range of existing quality assessment models, including traditional IQA methods and large multimodal models. Finally, we provide a comprehensive analysis of how well current approaches perform in assessing the perceptual quality of AI-UGC. The access link to the AU-IQA is https://github.com/WNNGGU/AU-IQA-Dataset.
- Abstract（参考訳）: AIベースの画像強調技術は、様々な視覚アプリケーションで広く採用されており、ユーザ生成コンテンツ(UGC)の知覚品質が大幅に向上している。
しかし, 専門品質評価モデルが欠如していることは, ユーザ体験の制限, 強化手法の進歩を阻害する要因となっている。
知覚的品質評価手法は、UGCとAIGCを個別に高い性能を示すが、AI-UGC(AI-UGC)において、両方の特徴をブレンドするその効果は、まだ明らかにされていない。
このギャップに対処するため,超解像,低照度化,偏光化を含む3種類の代表的な拡張型によって生成された4,800個のAI-UGC画像からなるベンチマークデータセットであるAU-IQAを構築した。
本データセットでは,従来のIQA法や大規模マルチモーダルモデルなど,既存の品質評価モデルをさらに評価する。
最後に、AI-UGCの知覚的品質を評価する上で、現在のアプローチがいかに優れているかを包括的に分析する。
AU-IQAへのアクセスリンクはhttps://github.com/WNNGGU/AU-IQA-Datasetである。
関連論文リスト
- TRIQA: Image Quality Assessment by Contrastive Pretraining on Ordered Distortion Triplets [31.2422359004089]
No-Reference (NR) IQA は参照画像がないため、特に困難である。
本稿では,限られた数の参照コンテンツ画像を用いて,カスタムデータセットを構築する新しい手法を提案する。
対照的な三重項学習を用いて品質認識モデルを訓練し、より少ないサンプルで効率的なトレーニングを可能にする。
論文 参考訳（メタデータ） (2025-07-16T23:43:12Z) - Quality Assessment for AI Generated Images with Instruction Tuning [58.41087653543607]
我々はまず,AIGCIQA2023+と呼ばれるAIGIのための画像品質評価(IQA)データベースを構築した。
本稿では,AIGIに対する人間の嗜好を評価するためのMINT-IQAモデルを提案する。
論文 参考訳（メタデータ） (2024-05-12T17:45:11Z) - PKU-AIGIQA-4K: A Perceptual Quality Assessment Database for Both Text-to-Image and Image-to-Image AI-Generated Images [1.5265677582796984]
我々はPKU-AIGIQA-4Kという名前のテキスト・ツー・イメージAIGIとイメージ・ツー・イメージAIGIの両方を対象とした大規模な知覚品質評価データベースを構築した。
本研究では,非参照法NR-AIGCIQA,フル参照法FR-AIGCIQA,部分参照法PR-AIGCIQAを含む事前学習モデルに基づく3つの画像品質評価手法を提案する。
論文 参考訳（メタデータ） (2024-04-29T03:57:43Z) - Large Multi-modality Model Assisted AI-Generated Image Quality Assessment [53.182136445844904]
本稿では,AI生成画像品質評価モデル(MA-AGIQA)を提案する。
セマンティックインフォームドガイダンスを使用して意味情報を感知し、慎重に設計されたテキストプロンプトを通してセマンティックベクターを抽出する。
最先端のパフォーマンスを実現し、AI生成画像の品質を評価する上で優れた一般化能力を示す。
論文 参考訳（メタデータ） (2024-04-27T02:40:36Z) - Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。
十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。
近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。
本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
論文 参考訳（メタデータ） (2024-04-23T11:45:32Z) - AIGCOIQA2024: Perceptual Quality Assessment of AI Generated Omnidirectional Images [70.42666704072964]
我々はAI生成の全方位画像IQAデータベースAIIGCOIQA2024を構築した。
3つの視点から人間の視覚的嗜好を評価するために、主観的IQA実験を行った。
我々は,データベース上での最先端IQAモデルの性能を評価するためのベンチマーク実験を行った。
論文 参考訳（メタデータ） (2024-04-01T10:08:23Z) - AGIQA-3K: An Open Database for AI-Generated Image Quality Assessment [62.8834581626703]
我々はこれまでに最も包括的な主観的品質データベース AGIQA-3K を構築している。
このデータベース上でベンチマーク実験を行い、現在の画像品質評価(IQA)モデルと人間の知覚との整合性を評価する。
我々は、AGIQA-3Kの微粒な主観的スコアが、その後のAGI品質モデルにヒトの主観的知覚機構に適合するよう促すと信じている。
論文 参考訳（メタデータ） (2023-06-07T18:28:21Z) - A Perceptual Quality Assessment Exploration for AIGC Images [39.72512063793346]
本稿では,AGIの品質評価における技術的問題,AIアーティファクト,不自然さ,不明瞭さ,美学などの主要な評価側面について論じる。
本稿では,拡散モデルから生成される1080個のAGIからなる最初の知覚的AGI品質評価データベース AGIQA-1K について述べる。
論文 参考訳（メタデータ） (2023-03-22T14:59:49Z) - Generating Adversarial Examples with an Optimized Quality [12.747258403133035]
ディープラーニングモデルは、Adversarial Examples(AE)に対して脆弱であり、これらのモデルを欺くために慎重に作られたサンプルである。
近年の研究では、新たな敵攻撃法が導入されたが、工芸品の品質は保証されていない。
本稿では,画像品質評価(IQA)メトリクスをAEの設計・生成プロセスに組み込む。
論文 参考訳（メタデータ） (2020-06-30T23:05:12Z)
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。