論文の概要: LoViF 2026 Challenge on Human-oriented Semantic Image Quality Assessment: Methods and Results

• arxiv url: http://arxiv.org/abs/2604.11207v1
• Date: Mon, 13 Apr 2026 09:03:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.447066
• Title: LoViF 2026 Challenge on Human-oriented Semantic Image Quality Assessment: Methods and Results
• Title（参考訳）: LoViF 2026 ヒューマン指向のセマンティック画像品質評価への挑戦:方法と結果
• Authors: Xin Li, Daoli Xu, Wei Luo, Guoqiang Xiang, Haoran Li, Chengyu Zhuang, Zhibo Chen, Jian Guan, Weping Li, Weixia Zhang, Wei Sun, Zhihua Wang, Dandan Zhu, Chengguang Zhu, Ayush Gupta, Rachit Agarwal, Shouvik Das, Biplab Ch Das, Amartya Ghosh, Kanglong Fan, Wen Wen, Shuyan Zhai, Tianwu Zhi, Aoxiang Zhang, Jianzhao Liu, Yabin Zhang, Jiajun Wang, Yipeng Sun, Kaiwei Lian, Banghao Yin,
• Abstract要約: 本稿では,LoViF 2026 Challenge on Human-oriented Semantic Image Quality Assessmentについて概説する。 この課題の主な目的は、人間指向のセマンティック画像品質評価のための新しい強力なベンチマークを確立することである。
• 参考スコア（独自算出の注目度）: 37.42300451768192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper reviews the LoViF 2026 Challenge on Human-oriented Semantic Image Quality Assessment. This challenge aims to raise a new direction, i.e., how to evaluate the loss of semantic information from the human perspective, intending to promote the development of some new directions, like semantic coding, processing, and semantic-oriented optimization, etc. Unlike existing datasets of quality assessment, we form a dataset of human-oriented semantic quality assessment, termed the SeIQA dataset. This dataset is divided into three parts for this competition: (i) training data: 510 pairs of degraded images and their corresponding ground truth references; (ii) validation data: 80 pairs of degraded images and their corresponding ground-truth references; (iii) testing data: 160 pairs of degraded images and their corresponding ground-truth references. The primary objective of this challenge is to establish a new and powerful benchmark for human-oriented semantic image quality assessment. There are a total of 58 teams registered in this competition, and 6 teams submitted valid solutions and fact sheets for the final testing phase. These submissions achieved state-of-the-art (SOTA) performance on the SeIQA dataset.
• Abstract（参考訳）: 本稿では,LoViF 2026 Challenge on Human-oriented Semantic Image Quality Assessmentについて概説する。 この課題は、人間の視点から意味情報の喪失を評価すること、セマンティックコーディング、処理、セマンティック指向の最適化など、新しい方向性の開発を促進することを目的としている。 既存の品質評価データセットとは異なり、SeIQAデータセットと呼ばれる人間指向のセマンティック品質評価データセットを形成する。 このデータセットは、この競争のために3つの部分に分けられます。 (i)訓練データ:510対の劣化画像とその対応する地底真理参照 (ii)検証データ:80対の劣化画像とその対応する地真実参照 (iii)試験データ:160対の劣化画像とそれに対応する地真実参照。 この課題の主な目的は、人間指向のセマンティック画像品質評価のための新しい強力なベンチマークを確立することである。 この大会には合計58チームが参加し、6チームが最終テストフェーズに有効なソリューションとファクトシートを提出した。 これらの提案は、SeIQAデータセット上での最先端(SOTA)パフォーマンスを達成した。

関連論文リスト

• VQualA 2025 Challenge on Image Super-Resolution Generated Content Quality Assessment: Methods and Results [65.82676254264837]
  本稿では,画像超解像生成コンテンツ品質評価データセットに基づく ISRGC-Q Challenge を提案する。 この課題の第一の目的は、現代の超解像技術によって導入されたユニークな人工物を分析し、知覚的品質を効果的に評価することである。
  論文  参考訳（メタデータ） (2025-09-08T08:07:50Z)
• VQualA 2025 Challenge on Face Image Quality Assessment: Methods and Results [96.54702713309052]
  VQuala 2025 顔画像品質評価(FIQA)への挑戦 本報告では,FIQAの実用化に向けた方法論と成果を概説する。
  論文  参考訳（メタデータ） (2025-08-25T19:48:52Z)
• NTIRE 2025 challenge on Text to Image Generation Model Quality Assessment [146.76913448156176]
  本稿では,テキスト・トゥ・イメージ(T2I)生成モデルの品質評価におけるNTIRE 2025課題について報告する。 この課題の目的は、テキスト・ツー・画像生成モデルのきめ細かい品質評価に対処することである。
  論文  参考訳（メタデータ） (2025-05-22T07:12:36Z)
• 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)
• NICE: CVPR 2023 Challenge on Zero-shot Image Captioning [149.28330263581012]
  NICEプロジェクトは、堅牢な画像キャプションモデルを開発するためにコンピュータビジョンコミュニティに挑戦するために設計されている。 レポートには、新たに提案されたNICEデータセット、評価方法、課題結果、トップレベルのエントリの技術的な詳細などが含まれている。
  論文  参考訳（メタデータ） (2023-09-05T05:32:19Z)
• MSTRIQ: No Reference Image Quality Assessment Based on Swin Transformer with Multi-Stage Fusion [8.338999282303755]
  本稿では,Swin Transformerに基づく新しいアルゴリズムを提案する。 ローカル機能とグローバル機能の両方から情報を集約して、品質をより正確に予測する。 NTIRE 2022 Perceptual Image Quality Assessment Challengeのノーレファレンストラックで2位。
  論文  参考訳（メタデータ） (2022-05-20T11:34:35Z)
• NTIRE 2021 Challenge on Perceptual Image Quality Assessment [128.83256694901726]
  NTIRE 2021の知覚画像品質評価(IQA)に関する課題について報告する。 CVPR 2021では、画像修復・強化ワークショップ(NTIRE)のNew Trendsと連携して開催されました。 新しいタイプの画像処理技術として、GAN(Generative Adversarial Networks)に基づく知覚画像処理アルゴリズムが、より現実的なテクスチャを持つ画像を生成する。
  論文  参考訳（メタデータ） (2021-05-07T05:36:54Z)

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。