論文の概要: Burst Image Quality Assessment: A New Benchmark and Unified Framework for Multiple Downstream Tasks

• arxiv url: http://arxiv.org/abs/2511.07958v1
• Date: Wed, 12 Nov 2025 01:30:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.56679
• Title: Burst Image Quality Assessment: A New Benchmark and Unified Framework for Multiple Downstream Tasks
• Title（参考訳）: Burst Image Quality Assessment: 複数のダウンストリームタスクのためのベンチマークと統一フレームワーク
• Authors: Xiaoye Liang, Lai Jiang, Minglang Qiao, Yichen Guo, Yue Zhang, Xin Deng, Shengxi Li, Yufan Liu, Mai Xu,
• Abstract要約: 本稿では,バースト画像品質評価(BuIQA)の新たなタスクを提案し,バーストシーケンス内の各フレームのタスク駆動品質を評価する。 データ分析にインスパイアされた統合BuIQAフレームワークは、さまざまな下流シナリオ下でのBuIQAの効率的な適応を実現するために提案されている。
• 参考スコア（独自算出の注目度）: 61.47169388925803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the development of burst imaging technology has improved the capture and processing capabilities of visual data, enabling a wide range of applications. However, the redundancy in burst images leads to the increased storage and transmission demands, as well as reduced efficiency of downstream tasks. To address this, we propose a new task of Burst Image Quality Assessment (BuIQA), to evaluate the task-driven quality of each frame within a burst sequence, providing reasonable cues for burst image selection. Specifically, we establish the first benchmark dataset for BuIQA, consisting of $7,346$ burst sequences with $45,827$ images and $191,572$ annotated quality scores for multiple downstream scenarios. Inspired by the data analysis, a unified BuIQA framework is proposed to achieve an efficient adaption for BuIQA under diverse downstream scenarios. Specifically, a task-driven prompt generation network is developed with heterogeneous knowledge distillation, to learn the priors of the downstream task. Then, the task-aware quality assessment network is introduced to assess the burst image quality based on the task prompt. Extensive experiments across 10 downstream scenarios demonstrate the impressive BuIQA performance of the proposed approach, outperforming the state-of-the-art. Furthermore, it can achieve $0.33$ dB PSNR improvement in the downstream tasks of denoising and super-resolution, by applying our approach to select the high-quality burst frames.
• Abstract（参考訳）: 近年,バーストイメージング技術の発展により,画像データのキャプチャと処理能力が向上し,幅広い応用が可能となった。 しかし、バースト画像の冗長性により、ストレージと送信要求が増加し、下流タスクの効率が低下する。 そこで本研究では,バースト画像品質評価(BuIQA)の新たな課題を提案し,バースト画像選択のための合理的な手がかりを提供する。 具体的には、BuIQAの最初のベンチマークデータセットを構築し、3746ドルのバーストシーケンスと45,827ドルの画像と、複数のダウンストリームシナリオに対する注釈付き品質スコア191,572ドルのデータからなる。 データ分析にインスパイアされた統合BuIQAフレームワークは、さまざまな下流シナリオ下でのBuIQAの効率的な適応を実現するために提案されている。 具体的には、下流タスクの先行を学習するために、不均一な知識蒸留を用いてタスク駆動のプロンプト生成ネットワークを開発する。 そして、タスク対応品質評価ネットワークを導入し、タスクプロンプトに基づいてバースト画像品質を評価する。 10のダウンストリームシナリオにわたる大規模な実験は、提案されたアプローチの印象的なBuIQAパフォーマンスを実証し、最先端よりも優れています。 さらに,高品位バーストフレームの選択に我々のアプローチを適用することにより,デノナイズおよび超高解像度の下流タスクにおいて,0.33ドルのPSNR改善を実現することができる。

関連論文リスト

• 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)
• Learning Transformer Features for Image Quality Assessment [53.51379676690971]
  本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。 提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
  論文  参考訳（メタデータ） (2021-12-01T13:23:00Z)
• 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。