論文の概要: μDeepIQA: deep learning-based fast and robust image quality assessment with local predictions for optical microscopy

• arxiv url: http://arxiv.org/abs/2510.04859v1
• Date: Mon, 06 Oct 2025 14:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.909883
• Title: μDeepIQA: deep learning-based fast and robust image quality assessment with local predictions for optical microscopy
• Title（参考訳）: μDeepIQA:光学顕微鏡の局所的予測によるディープラーニングに基づく高速でロバストな画像品質評価
• Authors: Elena Corbetta, Thomas Bocklitz,
• Abstract要約: 自然画像の画質評価(IQA)と光学顕微鏡計測のための深部畳み込みニューラルネットワークを提案する。 我々は、光学顕微鏡データに対する個々の品質指標とグローバルな品質スコアを予測するために、同じアーキテクチャを再訓練した。 本研究は,光学顕微鏡による研究が深層学習モデルの一般化の恩恵を受けることを示すものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optical microscopy is one of the most widely used techniques in research studies for life sciences and biomedicine. These applications require reliable experimental pipelines to extract valuable knowledge from the measured samples and must be supported by image quality assessment (IQA) to ensure correct processing and analysis of the image data. IQA methods are implemented with variable complexity. However, while most quality metrics have a straightforward implementation, they might be time consuming and computationally expensive when evaluating a large dataset. In addition, quality metrics are often designed for well-defined image features and may be unstable for images out of the ideal domain. To overcome these limitations, recent works have proposed deep learning-based IQA methods, which can provide superior performance, increased generalizability and fast prediction. Our method, named $\mathrm{\mu}$DeepIQA, is inspired by previous studies and applies a deep convolutional neural network designed for IQA on natural images to optical microscopy measurements. We retrained the same architecture to predict individual quality metrics and global quality scores for optical microscopy data. The resulting models provide fast and stable predictions of image quality by generalizing quality estimation even outside the ideal range of standard methods. In addition, $\mathrm{\mu}$DeepIQA provides patch-wise prediction of image quality and can be used to visualize spatially varying quality in a single image. Our study demonstrates that optical microscopy-based studies can benefit from the generalizability of deep learning models due to their stable performance in the presence of outliers, the ability to assess small image patches, and rapid predictions.
• Abstract（参考訳）: 光顕微鏡は生命科学や生物医学の研究において最も広く用いられている技術の一つである。 これらのアプリケーションは、測定したサンプルから貴重な知識を抽出するために信頼性の高い実験パイプラインを必要とし、画像データの正しい処理と解析を保証するために、画像品質評価(IQA)によって支援されなければならない。 IQAメソッドは可変複雑性で実装される。 しかし、ほとんどのクオリティメトリクスは実装が簡単ですが、大きなデータセットを評価するのに時間がかかり、計算コストがかかります。 加えて、品質指標はよく明確に定義された画像の特徴のために設計され、理想的な領域からの画像には不安定である。 これらの制限を克服するため、近年の研究では、より優れた性能、一般化可能性、高速な予測を提供するディープラーニングベースのIQA法が提案されている。 我々の手法は以前の研究にインスパイアされ、自然画像にIQA用に設計された深い畳み込みニューラルネットワークを光学顕微鏡計測に応用した。 我々は、光学顕微鏡データに対する個々の品質指標とグローバルな品質スコアを予測するために、同じアーキテクチャを再訓練した。 得られたモデルは、標準手法の理想的な範囲外においても、品質推定を一般化することにより、画像品質の高速かつ安定した予測を提供する。 さらに、$\mathrm{\mu}$DeepIQAは、画像品質のパッチワイドな予測を提供し、単一の画像で空間的に変化する品質を可視化するために使用することができる。 本研究は,光学顕微鏡を用いた研究が,オフレーヤの存在下での安定した性能,小さな画像パッチの評価能力,高速な予測能力などにより,ディープラーニングモデルの一般化性にメリットがあることを実証する。

関連論文リスト

• Scene Perceived Image Perceptual Score (SPIPS): combining global and local perception for image quality assessment [0.0]
  深層学習と人間の知覚のギャップを埋める新しいIQA手法を提案する。 我々のモデルは、深い特徴を高レベルの意味情報と低レベルの知覚の詳細に分解し、それぞれのストリームを別々に扱う。 このハイブリッド設計により、グローバルコンテキストと複雑な画像の詳細の両方を評価し、人間の視覚過程をより良く反映することができる。
  論文  参考訳（メタデータ） (2025-04-24T04:06:07Z)
• 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)
• Descriptive Image Quality Assessment in the Wild [25.503311093471076]
  VLMに基づく画像品質評価(IQA)は、画像品質を言語的に記述し、人間の表現に合わせることを目指している。 野生における画像品質評価(DepictQA-Wild)について紹介する。 本手法は,評価タスクと比較タスク,簡潔かつ詳細な応答,完全参照,非参照シナリオを含む多機能IQAタスクパラダイムを含む。
  論文  参考訳（メタデータ） (2024-05-29T07:49:15Z)
• Blind Multimodal Quality Assessment: A Brief Survey and A Case Study of Low-light Images [73.27643795557778]
  ブラインド画像品質評価(BIQA)は、視覚信号の客観的スコアを自動的に正確に予測することを目的としている。 この分野での最近の発展は、ヒトの主観的評価パターンと矛盾しない一助的解によって支配されている。 主観的評価から客観的スコアへの低照度画像の一意なブラインドマルチモーダル品質評価(BMQA)を提案する。
  論文  参考訳（メタデータ） (2023-03-18T09:04:55Z)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)
• Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild [98.48284827503409]
  我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。 我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。 6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
  論文  参考訳（メタデータ） (2020-05-28T13:35:23Z)

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。