論文の概要: Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions

• arxiv url: http://arxiv.org/abs/2601.00225v1
• Date: Thu, 01 Jan 2026 06:11:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.324479
• Title: Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions
• Title（参考訳）: Syn-to-Real IQAに向けて:Synthetic Data Distributionを再構築する新しい視点
• Authors: Aobo Li, Jinjian Wu, Yongxu Liu, Leida Li, Weisheng Dong,
• Abstract要約: Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。 合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。 本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
• 参考スコア（独自算出の注目度）: 74.00222571094437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blind Image Quality Assessment (BIQA) has advanced significantly through deep learning, but the scarcity of large-scale labeled datasets remains a challenge. While synthetic data offers a promising solution, models trained on existing synthetic datasets often show limited generalization ability. In this work, we make a key observation that representations learned from synthetic datasets often exhibit a discrete and clustered pattern that hinders regression performance: features of high-quality images cluster around reference images, while those of low-quality images cluster based on distortion types. Our analysis reveals that this issue stems from the distribution of synthetic data rather than model architecture. Consequently, we introduce a novel framework SynDR-IQA, which reshapes synthetic data distribution to enhance BIQA generalization. Based on theoretical derivations of sample diversity and redundancy's impact on generalization error, SynDR-IQA employs two strategies: distribution-aware diverse content upsampling, which enhances visual diversity while preserving content distribution, and density-aware redundant cluster downsampling, which balances samples by reducing the density of densely clustered areas. Extensive experiments across three cross-dataset settings (synthetic-to-authentic, synthetic-to-algorithmic, and synthetic-to-synthetic) demonstrate the effectiveness of our method. The code is available at https://github.com/Li-aobo/SynDR-IQA.
• Abstract（参考訳）: Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。 合成データは有望な解決策を提供するが、既存の合成データセットで訓練されたモデルは、しばしば限定的な一般化能力を示す。 本研究では、合成データセットから学習した表現が、レグレッション性能を阻害する離散的かつクラスタ化されたパターンをしばしば示していることを重要視する。 分析の結果,この問題はモデルアーキテクチャよりも合成データの分布に起因していることが判明した。 そこで本研究では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークSynDR-IQAを提案する。 SynDR-IQAは、サンプルの多様性の理論的導出と一般化誤差に対する冗長性の影響に基づいて、コンテンツの分布を保ちながら視覚的多様性を高める分布対応の多様なコンテンツアップサンプリングと、密度対応の冗長クラスタダウンサンプリングという2つの戦略を採用している。 合成-合成-合成-合成-合成-合成-合成-合成-合成-合成の3つのクロスデータセット・セッティング(synthetic-to-authentic、synthetic-to-algorithmic、synthetic-to-synthetic)にまたがる広範囲な実験により,本手法の有効性が示された。 コードはhttps://github.com/Li-aobo/SynDR-IQAで入手できる。

関連論文リスト

• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Dataset Distillation with Probabilistic Latent Features [9.318549327568695]
  合成データのコンパクトなセットは、下流の分類タスクにおける元のデータセットを効果的に置き換えることができる。 本稿では,潜在特徴の共分散をモデル化する新しい手法を提案する。 提案手法は,バックボーンアーキテクチャにまたがる最先端のクロスアーキテクチャ性能を実現する。
  論文  参考訳（メタデータ） (2025-05-10T13:53:49Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• SAU: A Dual-Branch Network to Enhance Long-Tailed Recognition via Generative Models [9.340077455871736]
  画像認識における長い尾の分布は、いくつかの支配階級間の深刻な不均衡のため、大きな課題となる。 近年,画像分類のための合成データ作成に大規模な生成モデルが用いられている。 本稿では,データ不均衡の影響を解消するために,長い尾のデータセットを補完する合成データを提案する。
  論文  参考訳（メタデータ） (2024-08-29T05:33:59Z)
• Synthetic Oversampling: Theory and A Practical Approach Using LLMs to Address Data Imbalance [16.047084318753377]
  不均衡な分類と急激な相関は、データサイエンスと機械学習における一般的な課題である。 近年の進歩は、大規模言語モデルの柔軟性と生成能力を生かして合成サンプルを生成することを提案した。 本稿では,不均衡な分類とスプリアス相関に対処する上で,合成試料の役割を体系的に研究する新たな理論基盤を開発する。
  論文  参考訳（メタデータ） (2024-06-05T21:24:26Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)

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。