論文の概要: Preference-Guided Debiasing for No-Reference Enhancement Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2603.20086v1
• Date: Fri, 20 Mar 2026 16:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.224028
• Title: Preference-Guided Debiasing for No-Reference Enhancement Image Quality Assessment
• Title（参考訳）: 非参照強調画像品質評価のための優先誘導型デバイアス
• Abstract要約: 我々は、非参照強調画像品質評価(EIQA)のための嗜好誘導型デバイアス化フレームワークを提案する。 提案手法は,アルゴリズムによる表現バイアスを効果的に緩和し,既存手法と比較して頑健性やアルゴリズム間の一般化に優れる。
• 参考スコア（独自算出の注目度）: 80.89893373505261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current no-reference image quality assessment (NR-IQA) models for enhanced images often struggle to generalize, as they tend to overfit to the distinct patterns of specific enhancement algorithms rather than evaluating genuine perceptual quality. To address this issue, we propose a preference-guided debiasing framework for no-reference enhancement image quality assessment (EIQA). Specifically, we first learn a continuous enhancement-preference embedding space using supervised contrastive learning, where images generated by similar enhancement styles are encouraged to have closer representations. Based on this, we further estimate the enhancement-induced nuisance component contained in the raw quality representation and remove it before quality regression. In this way, the model is guided to focus on algorithm-invariant perceptual quality cues instead of enhancement-specific visual fingerprints. To facilitate stable optimization, we adopt a two-stage training strategy that first learns the enhancement-preference space and then performs debiased quality prediction. Extensive experiments on public EIQA benchmarks demonstrate that the proposed method effectively mitigates algorithm-induced representation bias and achieves superior robustness and cross-algorithm generalization compared with existing approaches.
• Abstract（参考訳）: 拡張画像に対する現在の非参照画像品質評価(NR-IQA)モデルは、真の知覚品質を評価するのではなく、特定の拡張アルゴリズムの異なるパターンに過度に適合する傾向があるため、一般化に苦慮することが多い。 この問題に対処するために,非参照強調画像品質評価(EIQA)のための嗜好誘導型脱バイアスフレームワークを提案する。 具体的には,教師付きコントラスト学習を用いて連続的なエンハンスメント参照埋め込み空間を学習する。 これに基づいて、原品質表現に含まれるエンハンスメント誘起ニュアンス成分を更に推定し、品質回帰の前に除去する。 このようにして、このモデルは、拡張特異的な視覚指紋ではなく、アルゴリズムに不変な知覚品質の手がかりに焦点を合わせるように導かれる。 安定的な最適化を容易にするために,まず拡張-参照空間を学習し,次に劣化した品質予測を行う2段階のトレーニング戦略を採用する。 一般のEIQAベンチマークにおいて,提案手法はアルゴリズムによる表現バイアスを効果的に緩和し,既存手法と比較して優れたロバスト性および相互アルゴリズムの一般化を実現することを示す。

関連論文リスト

• ACPO: Anchor-Constrained Perceptual Optimization for Diffusion Models with No-Reference Quality Guidance [36.4379549994663]
  本研究では,非参照知覚品質を拡散訓練に取り入れることの問題点について検討する。 重要な課題は、非参照画像品質評価(NR-IQA)モデルで提供されるような知覚信号を直接最適化することが、元の拡散目標とのミスマッチを導入することである。 安定した知覚適応を可能にするアンカー制約最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T07:00:00Z)
• Q-Hawkeye: Reliable Visual Policy Optimization for Image Quality Assessment [25.916354359994624]
  本稿では,RLに基づく信頼性の高い視覚ポリシー最適化フレームワークであるQ-Hawkeyeを提案する。 Q-Hawkeyeは、複数のロールアウトにまたがる予測スコアのばらつきを用いて予測の不確実性を推定する。 本稿では,実際の視覚的証拠に品質判断を根拠として,モデルに制約を与えるインプシット知覚損失を導入する。
  論文  参考訳（メタデータ） (2026-01-30T12:42:32Z)
• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• Perception-oriented Bidirectional Attention Network for Image Super-resolution Quality Assessment [61.27648290203618]
  画像SR FR-IQAのための知覚指向双方向注意ネットワーク(PBAN)を提案する。 PBANは、イメージエンコーダモジュール、知覚指向双方向アテンション(PBA)モジュール、品質予測モジュールの3つのモジュールで構成されている。 提案するPBANは,最先端の品質評価方法より優れている。
  論文  参考訳（メタデータ） (2025-09-08T08:39:45Z)
• Entropy-Driven Genetic Optimization for Deep-Feature-Guided Low-Light Image Enhancement [1.0428401220897083]
  NSGA-IIアルゴリズムによって導かれる、教師なし、ファジィにインスパイアされた画像強調フレームワークを提案する。 我々は,複数の目標,すなわち画像エントロピーの増大,知覚的類似性の向上,適切な明るさを維持するために,GPU加速NSGA-IIアルゴリズムを用いる。 本モデルでは, 平均BRISQUEとNIQEのスコアが19.82と3.652であり, 全ての未ペアデータセットにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-16T13:40:56Z)
• 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)
• When No-Reference Image Quality Models Meet MAP Estimation in Diffusion Latents [92.45867913876691]
  非参照画像品質評価(NR-IQA)モデルは、知覚された画像品質を効果的に定量化することができる。 NR-IQAモデルは、画像強調のための最大後部推定(MAP)フレームワークにプラグイン可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-11T03:35:41Z)
• Gap-closing Matters: Perceptual Quality Evaluation and Optimization of Low-Light Image Enhancement [55.8106019031768]
  低照度画像強調手法の最適化は、エンドユーザーが認識する視覚的品質によって導かれるべきであるという研究コミュニティの見解が高まりつつある。 主観的品質と客観的品質を体系的に評価するためのギャップ閉鎖フレームワークを提案する。 提案手法の有効性を,画質予測の精度と画像強調の知覚品質の両面から検証する。
  論文  参考訳（メタデータ） (2023-02-22T15:57:03Z)
• No-Reference Image Quality Assessment by Hallucinating Pristine Features [24.35220427707458]
  本稿では,特徴レベルの擬似参照(PR)幻覚を用いた非参照画像品質評価(IQA)手法を提案する。 提案手法の有効性を4つのIQAデータベースで実証した。
  論文  参考訳（メタデータ） (2021-08-09T16:48:34Z)
• Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
  監視されていない画像強調生成ネットワーク(UEGAN)を提案する。 教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。 その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:22:46Z)

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。