論文の概要: Pixel Perfect: Relational Image Quality Assessment with Spatially-Aware Distortions

• arxiv url: http://arxiv.org/abs/2605.02863v1
• Date: Mon, 04 May 2026 17:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.439109
• Title: Pixel Perfect: Relational Image Quality Assessment with Spatially-Aware Distortions
• Title（参考訳）: 画素完全性:空間的歪みを考慮した関係画像品質評価
• Authors: Fadeel Sher Khan, Long N. Le, Abhinau K. Venkataramanan, Seok-Jun Lee, Hamid R. Sheikh,
• Abstract要約: 従来の画像品質評価(IQA)手法は平均評価スコア(MOS)に依存している。 絶対品質予測からリレーショナル・指向性評価に移行することで,これらの制限を克服する。 歪み予測ネットワークは、非対称な目標を用いて訓練され、空間的に認識された非絡み合った地図を生成する。 定位画像集合のコントラスト学習によりスコアリングネットワークを訓練し、関係品質スコアを予測する。
• 参考スコア（独自算出の注目度）: 12.998174707153844
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traditional image quality assessment (IQA) methods rely on mean opinion scores (MOS), which are resource-intensive to collect and fail to provide interpretable, localized feedback on specific image distortions. We overcome these limitations by shifting from absolute quality prediction to a relational and directional assessment. Our approach utilizes a self-supervised synthetic distortion engine to generate training data, eliminating the need for manual annotation. A distortion prediction network is trained with an anti-symmetric objective to produce spatially-aware, disentangled maps that identify the type, intensity, and direction of distortions relative to a reference image. Subsequently, a scoring network is trained via contrastive learning on ordinally ranked image sets to predict a relational quality score. Our method provides a more granular and interpretable approach to IQA for the targeted optimization of image processing algorithms without requiring any human-labeled quality scores.
• Abstract（参考訳）: 従来の画像品質評価(IQA)手法は、リソース集約型の平均評価スコア(MOS)に依存しており、特定の画像歪みに対する解釈可能な局所的なフィードバックを提供していない。 絶対品質予測からリレーショナル・指向性評価に移行することで,これらの制限を克服する。 提案手法では,自己教師付き合成歪みエンジンを用いてトレーニングデータを生成し,手作業によるアノテーションの必要性を解消する。 歪み予測ネットワークは、基準画像に対する歪みのタイプ、強度、方向を識別する空間的認識の不整合マップを生成するために、反対称目的で訓練される。 その後、通常ランク付けされた画像集合のコントラスト学習によりスコアリングネットワークを訓練し、関係品質スコアを予測する。 提案手法は,画像処理アルゴリズムを目標とした最適化のために,人手による品質スコアを必要とせず,より粒度が高く解釈可能なIQA手法を提供する。

関連論文リスト

• Q-DeepSight: Incentivizing Thinking with Images for Image Quality Assessment and Refinement [58.15004031934379]
  我々は、この人間のようなプロセスをエミュレートする思考とイメージのフレームワークであるQ-DeepSightを提案する。 Q-DeepSightは、自然、復元、AI生成コンテンツなど、さまざまなベンチマークで最先端のパフォーマンスを実現している。 本稿では,Q-DeepSight の診断が反復画像強調を導くトレーニングフリーフレームワークであるPerceptual-in-Generation (PiG) を用いて,その実用的価値を示す。
  論文  参考訳（メタデータ） (2026-04-18T06:10:57Z)
• From Images to Point Clouds: An Efficient Solution for Cross-media Blind Quality Assessment without Annotated Training [35.45364402708792]
  アノテーションを使用せずに新たなシーンから点雲の知覚的品質を予測できる新しい品質評価手法を提案する。 メディアの種類に関わらず,人間の視覚システム(HVS)を品質評価の意思決定者と認識することで,ニューラルネットワークによる人間の知覚評価基準をエミュレートすることができる。 本稿では,既存/推定歪み分布を逆DAフレームワークに統合する歪み誘導型特徴アライメントを提案する。
  論文  参考訳（メタデータ） (2025-01-23T05:15:10Z)
• Attention Down-Sampling Transformer, Relative Ranking and Self-Consistency for Blind Image Quality Assessment [17.04649536069553]
  非参照画像品質評価は、元の参照なしで画像品質を推定する難しい領域である。 変換器エンコーダとCNNを用いて,画像から局所的および非局所的情報を抽出する機構を改良した。 非参照画像品質評価(NR-IQA)モデルの劣化に対処し,自己超越に対する自己整合性アプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-11T09:08:43Z)
• ExIQA: Explainable Image Quality Assessment Using Distortion Attributes [0.3683202928838613]
  本稿では属性学習に基づく歪み同定のための説明可能なアプローチを提案する。 効率的なトレーニングのために,10万の画像からなるデータセットを生成する。 提案手法はPLCCとSRCCの両方で複数のデータセットにまたがるSOTA(State-of-the-art)性能を実現する。
  論文  参考訳（メタデータ） (2024-09-10T20:28:14Z)
• 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)
• 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)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• 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。