論文の概要: A Parametric Bi-Directional Curvature-Based Framework for Image Artifact Classification and Quantification
- arxiv url: http://arxiv.org/abs/2508.08824v1
- Date: Tue, 12 Aug 2025 10:29:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.389071
- Title: A Parametric Bi-Directional Curvature-Based Framework for Image Artifact Classification and Quantification
- Title（参考訳）: 画像アーチファクト分類と定量化のためのパラメトリック双方向曲率に基づくフレームワーク
- Authors: Diego Frias,
- Abstract要約: 本研究は,方向画像の曲率解析に基づく非参照画像品質評価(NR-IQA)のための新しいフレームワークを提案する。
この枠組みでは、2つの可変しきい値を用いて画素レベルで計算されるAnisotropic Texture Richness (ATR) の尺度を定義する。
パラメータが特定のアーティファクトに最適化された場合、ATRスコアは高性能な品質指標として機能する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This work presents a novel framework for No-Reference Image Quality Assessment (NR-IQA) founded on the analysis of directional image curvature. Within this framework, we define a measure of Anisotropic Texture Richness (ATR), which is computed at the pixel level using two tunable thresholds -- one permissive and one restrictive -- that quantify orthogonal texture suppression. When its parameters are optimized for a specific artifact, the resulting ATR score serves as a high-performance quality metric, achieving Spearman correlations with human perception of approximately -0.93 for Gaussian blur and -0.95 for white noise on the LIVE dataset. The primary contribution is a two-stage system that leverages the differential response of ATR to various distortions. First, the system utilizes the signature from two specialist ATR configurations to classify the primary artifact type (blur vs. noise) with over 97% accuracy. Second, following classification, it employs a dedicated regression model mapping the relevant ATR score to a quality rating to quantify the degradation. On a combined dataset, the complete system predicts human scores with a coefficient of determination (R2) of 0.892 and a Root Mean Square Error (RMSE) of 5.17 DMOS points. This error corresponds to just 7.4% of the dataset's total quality range, demonstrating high predictive accuracy. This establishes our framework as a robust, dual-purpose tool for the classification and subsequent quantification of image degradation.
- Abstract（参考訳）: 本研究は,方向画像の曲率解析に基づく非参照画像品質評価(NR-IQA)のための新しいフレームワークを提案する。
本枠組みでは,直交的テクスチャ抑圧を定量化する2つの調整可能なしきい値(許容値と制限値)を用いて画素レベルで計算される異方性テクスチャリッチネス(ATR)の尺度を定義する。
パラメータが特定のアーティファクトに最適化された場合、結果のATRスコアは高性能な指標として機能し、ガウスのぼかしに対して約-0.93、LIVEのデータセット上でのホワイトノイズに対して-0.95のスピアマン相関が得られる。
主な貢献は、ATRの様々な歪みに対する微分応答を利用する2段階のシステムである。
まず、このシステムは2つの専門的なATR構成のシグネチャを使用して、主要なアーティファクトタイプ(ブルー対ノイズ)を97%以上の精度で分類する。
第二に、分類後、関連するATRスコアを品質評価にマッピングし、劣化を定量化する専用回帰モデルを用いる。
組み合わせデータセットでは、完全なシステムは、決定係数(R2)が0.892、ルート平均角誤差(RMSE)が5.17DMOSポイントで人間のスコアを予測する。
このエラーはデータセットの総品質範囲の7.4%に相当し、高い予測精度を示している。
これにより、我々のフレームワークは、画像劣化の分類とその後の定量化のための堅牢で二重目的のツールとして確立される。
関連論文リスト
- AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。
2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。
分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:47:16Z) - BELE: Blur Equivalent Linearized Estimator [0.8192907805418581]
本稿では, テクスチャ歪みによるエッジ劣化による知覚効果と, テクスチャ歪みによるエッジ劣化による知覚効果を分離する新しいパラメトリックモデルを提案する。
ひとつはBlur Equivalent Linearized Estimatorで、強みと孤立したエッジのぼかしを測定するように設計されている。
2つ目は複雑なピーク信号-雑音比であり、テクスチャ領域に影響を及ぼす歪みを評価する。
論文 参考訳（メタデータ） (2025-03-01T14:19:08Z) - Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。
提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2023-12-11T06:50:27Z) - Benchmark Generation Framework with Customizable Distortions for Image
Classifier Robustness [4.339574774938128]
本稿では,画像分類モデルのロバスト性を評価するために,逆ベンチマークを生成する新しいフレームワークを提案する。
当社のフレームワークでは,画像に最適な歪みの種類をカスタマイズすることが可能で,デプロイメントに関連する歪みに対処する上で有効である。
論文 参考訳（メタデータ） (2023-10-28T07:40:42Z) - 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) - You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。
まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。
エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
論文 参考訳（メタデータ） (2023-10-14T11:03:04Z) - 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) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z)
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。