論文の概要: Fine-grained Image Quality Assessment for Perceptual Image Restoration

• arxiv url: http://arxiv.org/abs/2508.14475v1
• Date: Wed, 20 Aug 2025 06:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.36776
• Title: Fine-grained Image Quality Assessment for Perceptual Image Restoration
• Title（参考訳）: 知覚的画像復元のためのきめ細かい画像品質評価
• Authors: Xiangfei Sheng, Xiaofeng Pan, Zhichao Yang, Pengfei Chen, Leida Li,
• Abstract要約: 画像復元のための画像品質評価データセットFGRestoreについて述べる。 既存のIQA測定値に対してベンチマークを行い,スコアベースIQA評価と微粒化復元品質の相違点を明らかにした。 画像復元に特化して設計された新しいIQAモデルであるFGResQを提案する。
• 参考スコア（独自算出の注目度）: 26.931640643879998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed remarkable achievements in perceptual image restoration (IR), creating an urgent demand for accurate image quality assessment (IQA), which is essential for both performance comparison and algorithm optimization. Unfortunately, the existing IQA metrics exhibit inherent weakness for IR task, particularly when distinguishing fine-grained quality differences among restored images. To address this dilemma, we contribute the first-of-its-kind fine-grained image quality assessment dataset for image restoration, termed FGRestore, comprising 18,408 restored images across six common IR tasks. Beyond conventional scalar quality scores, FGRestore was also annotated with 30,886 fine-grained pairwise preferences. Based on FGRestore, a comprehensive benchmark was conducted on the existing IQA metrics, which reveal significant inconsistencies between score-based IQA evaluations and the fine-grained restoration quality. Motivated by these findings, we further propose FGResQ, a new IQA model specifically designed for image restoration, which features both coarse-grained score regression and fine-grained quality ranking. Extensive experiments and comparisons demonstrate that FGResQ significantly outperforms state-of-the-art IQA metrics. Codes and model weights have been released in https://pxf0429.github.io/FGResQ/
• Abstract（参考訳）: 近年、知覚的画像復元(IR)において顕著な成果が見られ、精度の高い画像品質評価(IQA)の緊急需要が生まれ、これは性能比較とアルゴリズム最適化の両方に不可欠である。 残念なことに、既存のIQAメトリクスはIRタスクに固有の弱点を示しており、特に復元された画像間の微妙な品質差を区別している。 このジレンマに対処するため,6つのIRタスクにまたがる18,408個の復元画像からなるFGRestoreと呼ばれる画像復元のための画像品質評価データセットを作成した。 従来のスカラー品質スコア以外にも、FGRestoreには30,886の微粒なペアワイズが付与された。 FGRestoreに基づいて既存のIQA測定値の総合的なベンチマークを行い、スコアベースIQA評価ときめ細かい復元品質の相違点を明らかにした。 これらの結果に触発されたFGResQは、画像復元に特化した新しいIQAモデルであり、粗いスコアレグレッションときめ細かい品質ランキングの両方が特徴である。 大規模な実験と比較の結果、FGResQは最先端のIQA指標を大きく上回っている。 コードとモデルウェイトはhttps://pxf0429.github.io/FGResQ/でリリースされた。

関連論文リスト

• Refine-IQA: Multi-Stage Reinforcement Finetuning for Perceptual Image Quality Assessment [22.184690568393126]
  強化微調整(Reinforcement fine-tuning, RFT)は、LMMトレーニングのパラダイムである。 マルチステージ RFT IQA フレームワーク (-IQA) を提案する。 結果のRefine-IQAシリーズモデルは、知覚とスコアリングの両方で優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-04T22:46:10Z)
• Toward Generalized Image Quality Assessment: Relaxing the Perfect Reference Quality Assumption [21.811319260270732]
  フルリファレンス画像品質評価(FR-IQA)は一般的に、参照画像が完全な品質であると仮定する。 近年の再生強調法は、原画像よりも高品質な画像を生成することができる。 実験画像の忠実度と自然度を正確に評価し、適応的に組み合わせるために、一般化されたFR-IQAモデル(Adaptive Fidelity-Naturalness Evaluator, A-FINE)を提案する。
  論文  参考訳（メタデータ） (2025-03-14T09:12:03Z)
• IQPFR: An Image Quality Prior for Blind Face Restoration and Beyond [56.99331967165238]
  Blind Face Restoration (BFR)は、劣化した低品質(LQ)の顔画像を高品質(HQ)の出力に再構成する課題に対処する。 本研究では,非参照画像品質評価(NR-IQA)モデルから得られた画像品質優先(IQP)を組み込んだ新しいフレームワークを提案する。 提案手法は,複数のベンチマークにおいて最先端技術より優れている。
  論文  参考訳（メタデータ） (2025-03-12T11:39:51Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Generalized Portrait Quality Assessment [26.8378202089832]
  本稿では,ポートレート品質評価(PQA)に対する学習に基づくアプローチを提案する。 提案手法はPIQ23ベンチマークの広範な実験により検証された。 FHIQAのソースコードは、PIQ23 GitHubリポジトリで公開されている。
  論文  参考訳（メタデータ） (2024-02-14T13:47:18Z)
• SPQE: Structure-and-Perception-Based Quality Evaluation for Image Super-Resolution [24.584839578742237]
  超解像技術は画像の画質を大幅に改善し、解像度を向上した。 また、これらのアルゴリズムや生成された画像を評価するための効率的なSR画像品質評価(SR-IQA)も求めている。 深層学習ベースSRでは、生成した高品質で視覚的に喜ぶ画像は、対応する低品質の画像とは異なる構造を持つ可能性がある。
  論文  参考訳（メタデータ） (2022-05-07T07:52:55Z)
• Confusing Image Quality Assessment: Towards Better Augmented Reality Experience [96.29124666702566]
  我々はAR技術を仮想シーンと実シーンの重ね合わせとみなし、視覚的混乱を基本的な理論として紹介する。 ConFusing Image Quality Assessment (CFIQA)データベースが構築され、600個の参照画像と300個の歪画像とをペアに混合して生成する。 また、難解な画像品質をよりよく評価するために、CFIQAと呼ばれる客観的な計量も提案されている。
  論文  参考訳（メタデータ） (2022-04-11T07:03:06Z)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)

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。