論文の概要: Causal Disentanglement for Full-Reference Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2604.21654v2
• Date: Wed, 29 Apr 2026 07:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 13:51:53.939346
• Title: Causal Disentanglement for Full-Reference Image Quality Assessment
• Title（参考訳）: フルレファレンス画像品質評価のための因果解離
• Authors: Zhen Zhang, Jielei Chu, Tian Zhang, Fengmao Lv, Tianrui Li,
• Abstract要約: 本稿では,因果推論と疎結合表現学習に基づく新しいFR-IQAパラダイムを提案する。 本手法は,潜在表現への介入によって導かれる因果解離過程として劣化推定を定式化する。 本手法は, 完全教師付き, ラベルなし, ラベルなしの標準IQAベンチマークにおいて, 高い競合性能を実現する。
• 参考スコア（独自算出の注目度）: 21.96346718260435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing deep network-based full-reference image quality assessment (FR-IQA) models typically work by performing pairwise comparisons of deep features from the reference and distorted images. In this paper, we approach this problem from a different perspective and propose a novel FR-IQA paradigm based on causal inference and decoupled representation learning. Unlike typical feature comparison-based FR-IQA models, our approach formulates degradation estimation as a causal disentanglement process guided by intervention on latent representations. We first decouple degradation and content representations by exploiting the content invariance between the reference and distorted images. Second, inspired by the human visual masking effect, we design a masking module to model the causal relationship between image content and degradation features, thereby extracting content-influenced degradation features from distorted images. Finally, quality scores are predicted from these degradation features using either supervised regression or label-free dimensionality reduction. Extensive experiments demonstrate that our method achieves highly competitive performance on standard IQA benchmarks across fully supervised, few-label, and label-free settings. Furthermore, we evaluate the approach on diverse non-standard natural image domains with scarce data, including underwater, radiographic, medical, neutron, and screen-content images. Benefiting from its ability to perform scenario-specific training and prediction without labeled IQA data, our method exhibits superior cross-domain generalization compared to existing training-free FR-IQA models.
• Abstract（参考訳）: 既存のディープネットワークベースのフルリファレンス画像品質評価(FR-IQA)モデルは、参照画像と歪んだ画像から、ディープ特徴のペアワイズ比較を行うことが一般的である。 本稿では、この問題を異なる観点からアプローチし、因果推論と疎結合表現学習に基づく新しいFR-IQAパラダイムを提案する。 典型的な特徴比較に基づくFR-IQAモデルとは異なり,本手法は潜在表現への介入によって導かれる因果解離過程として劣化推定を定式化する。 まず、参照画像と歪み画像の間のコンテンツ不変性を利用して、劣化とコンテンツ表現を分離する。 第二に、人間の視覚マスキング効果に触発されて、画像内容と劣化特徴の因果関係をモデル化するマスキングモジュールを設計し、歪み画像からコンテンツ影響劣化特徴を抽出する。 最後に、これらの劣化特徴から、教師付き回帰またはラベルなし次元減少を用いて品質スコアを予測する。 本手法は,完全教師付き,ラベルなし,ラベルなしの設定に対して,標準IQAベンチマークで高い競争性能を示すことを示す。 さらに,水中,放射線写真,医用,中性子画像,スクリーンコンテント画像など,多様な非標準自然画像領域へのアプローチを評価する。 IQAデータをラベル付けせずにシナリオ固有のトレーニングと予測を行う能力から,既存のFR-IQAモデルと比較して,ドメイン間の一般化が優れていることを示す。

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)
• 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)
• ARNIQA: Learning Distortion Manifold for Image Quality Assessment [28.773037051085318]
  No-Reference Image Quality Assessment (NR-IQA) は、高品質な参照画像を必要としない、人間の知覚に合わせて画像品質を測定する手法を開発することを目的としている。 本研究では、画像歪み多様体をモデル化し、本質的な表現を得るための自己教師型アプローチ ARNIQA を提案する。
  論文  参考訳（メタデータ） (2023-10-20T17:22:25Z)
• Regression-free Blind Image Quality Assessment with Content-Distortion Consistency [42.683300312253884]
  画像品質評価のための回帰フリーフレームワークを提案する。 これは、セマンティックな特徴空間と歪みのある特徴空間を組み込むことで、局所的に類似したインスタンスを検索することに基づいている。 提案手法は, 最先端の回帰に基づく手法と比較して, 競争力や性能に優れる。
  論文  参考訳（メタデータ） (2023-07-18T14:19:28Z)

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。