論文の概要: Cost Savings from Automatic Quality Assessment of Generated Images
- arxiv url: http://arxiv.org/abs/2510.16179v1
- Date: Fri, 17 Oct 2025 19:41:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:38.886139
- Title: Cost Savings from Automatic Quality Assessment of Generated Images
- Title（参考訳）: 画像の自動品質評価によるコスト削減
- Authors: Xavier Giro-i-Nieto, Nefeli Andreou, Anqi Liang, Manel Baradad, Francesc Moreno-Noguer, Aleix Martinez,
- Abstract要約: 本稿では,一般のIQAエンジンの精度と通過率に応じてコスト削減を見積もる式を提案する。
この式は、背景塗布のユースケースに適用され、単純なAutoML溶液で得られる51.61%の大幅なコスト削減が示される。
- 参考スコア（独自算出の注目度）: 17.076426154173657
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep generative models have shown impressive progress in recent years, making it possible to produce high quality images with a simple text prompt or a reference image. However, state of the art technology does not yet meet the quality standards offered by traditional photographic methods. For this reason, production pipelines that use generated images often include a manual stage of image quality assessment (IQA). This process is slow and expensive, especially because of the low yield of automatically generated images that pass the quality bar. The IQA workload can be reduced by introducing an automatic pre-filtering stage, that will increase the overall quality of the images sent to review and, therefore, reduce the average cost required to obtain a high quality image. We present a formula that estimates the cost savings depending on the precision and pass yield of a generic IQA engine. This formula is applied in a use case of background inpainting, showcasing a significant cost saving of 51.61% obtained with a simple AutoML solution.
- Abstract（参考訳）: 近年の深層生成モデルは顕著な進歩を見せており、単純なテキストプロンプトや参照画像で高品質な画像を生成することができる。
しかし、最先端技術は、従来の写真技術によって提供される品質基準をまだ満たしていない。
このため、生成された画像を使用するプロダクションパイプラインは、しばしば手動による画像品質評価(IQA)の段階を含む。
このプロセスは、特に品質バーを通過する自動生成画像の収率の低いため、遅くて高価である。
IQAのワークロードは自動前処理の段階を導入することで削減できるため、レビューに送信された画像の全体的な品質が向上し、高品質な画像を得るのに必要な平均コストが削減される。
本稿では,一般のIQAエンジンの精度と通過率に応じてコスト削減を見積もる式を提案する。
この式は、背景塗布のユースケースに適用され、単純なAutoML溶液で得られる51.61%の大幅なコスト削減が示される。
関連論文リスト
- 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) - IQA-Adapter: Exploring Knowledge Transfer from Image Quality Assessment to Diffusion-based Generative Models [0.5356944479760104]
画像品質評価(IQA)モデルを拡散型ジェネレータに統合する手法を提案する。
拡散モデルはIQAモデルの出力と内部アクティベーションの両方から複雑な定性的関係を学習できることを示す。
IQA-Adapterは,画像と品質スコアの暗黙的関係を学習することで,目標品質レベルの生成を条件付ける新しいフレームワークである。
論文 参考訳（メタデータ） (2024-12-02T18:40:19Z) - 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) - Dual-Branch Network for Portrait Image Quality Assessment [76.27716058987251]
ポートレート画像品質評価のためのデュアルブランチネットワーク(PIQA)を提案する。
我々は2つのバックボーンネットワーク(textiti.e., Swin Transformer-B)を使用して、肖像画全体と顔画像から高品質な特徴を抽出する。
我々は、画像シーンの分類と品質評価モデルであるLIQEを利用して、品質認識とシーン固有の特徴を補助的特徴として捉えている。
論文 参考訳（メタデータ） (2024-05-14T12:43:43Z) - 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) - Q-Refine: A Perceptual Quality Refiner for AI-Generated Image [85.89840673640028]
Q-Refineという品質改善手法を提案する。
画像品質評価(IQA)メトリクスを使用して、初めて精錬プロセスをガイドする。
忠実度と美的品質の両方からAIGIを最適化するための一般的な精錬機となる。
論文 参考訳（メタデータ） (2024-01-02T09:11:23Z) - Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。
本研究では,変換器を用いた全参照IQAモデルの性能について検討する。
また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
論文 参考訳（メタデータ） (2022-04-27T10:21:08Z)
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。