論文の概要: Hierarchical Graph Attention Network for No-Reference Omnidirectional Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2508.09843v1
• Date: Wed, 13 Aug 2025 14:25:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.925655
• Title: Hierarchical Graph Attention Network for No-Reference Omnidirectional Image Quality Assessment
• Title（参考訳）: 非参照全方位画像品質評価のための階層型グラフ注意ネットワーク
• Authors: Hao Yang, Xu Zhang, Jiaqi Ma, Linwei Zhu, Yun Zhang, Huan Zhang,
• Abstract要約: 現在のOIQA(Omnidirectional Image Quality Assessment)法は,局所的な非一様歪みの評価に苦慮している。 本稿では,ビューポート間の構造関係を明示的にモデル化するグラフニューラルネットワークを用いたOIQAフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.897948374713163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current Omnidirectional Image Quality Assessment (OIQA) methods struggle to evaluate locally non-uniform distortions due to inadequate modeling of spatial variations in quality and ineffective feature representation capturing both local details and global context. To address this, we propose a graph neural network-based OIQA framework that explicitly models structural relationships between viewports to enhance perception of spatial distortion non-uniformity. Our approach employs Fibonacci sphere sampling to generate viewports with well-structured topology, representing each as a graph node. Multi-stage feature extraction networks then derive high-dimensional node representation. To holistically capture spatial dependencies, we integrate a Graph Attention Network (GAT) modeling fine-grained local distortion variations among adjacent viewports, and a graph transformer capturing long-range quality interactions across distant regions. Extensive experiments on two large-scale OIQA databases with complex spatial distortions demonstrate that our method significantly outperforms existing approaches, confirming its effectiveness and strong generalization capability.
• Abstract（参考訳）: 現在のOIQA (Omnidirectional Image Quality Assessment) 法は, 局所的細部とグローバルな文脈の両方を捉えた空間的変化の不十分なモデリングと非効率な特徴表現により, 局所的非一様歪みの評価に苦慮している。 これを解決するために,ビューポート間の構造的関係を明示的にモデル化し,空間歪み非均一性の知覚を高めるグラフニューラルネットワークを用いたOIQAフレームワークを提案する。 提案手法では、フィボナッチ球面サンプリングを用いて、よく構造化されたトポロジーを持つビューポートを生成し、それぞれをグラフノードとして表現する。 マルチステージ特徴抽出ネットワークは高次元ノード表現を導出する。 空間的依存関係を均等に捉えるために,隣接するビューポート間の局所歪みの微粒化をモデル化したグラフアテンションネットワーク(GAT)と,遠隔地における長距離品質の相互作用をキャプチャするグラフトランスフォーマーを統合した。 複雑な空間歪みを持つ2つの大規模OIQAデータベースに対する大規模な実験により,本手法が既存の手法よりも大幅に優れ,その有効性と強力な一般化能力が確認された。

関連論文リスト

• Graph Neural Networks for Jamming Source Localization [0.23408308015481666]
  ソースローカライゼーションを妨害するグラフベースの学習の最初の応用について紹介する。 提案手法は,局所および大域的な信号集約を符号化する構造化ノード表現を統合する。 その結果,新しいグラフベースの学習フレームワークは,確立されたローカライゼーションベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-06-01T14:29:25Z)
• Joint Graph Convolution and Sequential Modeling for Scalable Network Traffic Estimation [11.751952500567388]
  本研究では,複雑なトポロジカル環境におけるネットワークトラフィック予測の課題に焦点を当てた。 グラフ・コンテンポラル・ネットワーク(GCN)とGRU(Gated Recurrent Units)モデリング・アプローチを導入している。 提案モデルの有効性は,実世界のアビリーンネットワークトラフィックデータセットに関する総合的な実験を通じて検証される。
  論文  参考訳（メタデータ） (2025-05-12T15:38:19Z)
• Brain Network Classification Based on Graph Contrastive Learning and Graph Transformer [0.6906005491572401]
  本稿では,グラフコントラスト学習をグラフ変換器と統合したPHGCL-DDGformerという新しいモデルを提案する。 実世界のデータセットによる実験結果から、PHGCL-DDGformerモデルは、脳ネットワーク分類タスクにおける既存の最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-01T13:26:03Z)
• Depth-Adaptive Graph Neural Networks via Learnable Bakry-'Emery Curvature [7.2716257100195385]
  グラフニューラルネットワーク(GNN)は、グラフベースのタスクに対して強力な表現学習能力を示す。 GNNの最近の進歩は、曲率などの幾何学的性質を活用して表現能力を向上している。 本稿では,情報伝達における構造的側面とタスク駆動的側面の両方を捉えたBakry-'Emery曲率の統合を提案する。
  論文  参考訳（メタデータ） (2025-03-03T00:48:41Z)
• TransGUNet: Transformer Meets Graph-based Skip Connection for Medical Image Segmentation [1.2186950360560143]
  我々は、スキップ接続フレームワークを強化するために、注意的クロススケールグラフニューラルネットワーク(ACS-GNN)を導入する。 ACS-GNNは、クロススケールな特徴マップをグラフ構造に変換し、ノードの注意を通して複雑な解剖学的構造をキャプチャする。 我々のフレームワークであるTransGUNetは、ASS-GNNとEFSをベースとした空間 attentio から構成され、様々なモードでドメインの一般化性を高める。
  論文  参考訳（メタデータ） (2025-02-14T05:54:13Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。