論文の概要: SR-Prominence: A Crowdsourced Protocol and Dataset Suite for Perceptually-Weighted Super-Resolution Artifact Evaluation
- arxiv url: http://arxiv.org/abs/2605.14847v1
- Date: Thu, 14 May 2026 13:56:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.856511
- Title: SR-Prominence: A Crowdsourced Protocol and Dataset Suite for Perceptually-Weighted Super-Resolution Artifact Evaluation
- Title（参考訳）: SR-Prominence:知覚的に重み付けされた超解像アーチファクト評価のためのクラウドソーシングプロトコルとデータセットスイート
- Authors: Ivan Molodetskikh, Kirill Malyshev, Mark Mirgaleev, Nikita Zagainov, Evgeney Bogatyrev, Dmitriy Vatolin,
- Abstract要約: SR-プロミネンス(SR-Prominence)は、DeSRA、Open Images、Urban100の3,935個のアーティファクトマスクと、プロミネンスで注釈付けされたリアルな非真実のUrban100-HR設定を含むデータセットスイートである。
スイート全体にわたって、SRアーティファクト検出器、画像品質指標、およびSR手法を検査し、古典的なフル参照メトリクス、特にSSIMとdisTSが驚くほど強力な局所的プロミネンス信号を提供することがわかった。
SR-Prominenceは客観的スコアリングプロトコルとともにリリースされ、新たなメトリクスをさらなるクラウドソーシングなしに私たちのスイート上でベンチマークすることができる。
- 参考スコア（独自算出の注目度）: 0.7297638898415074
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern image super-resolution methods generate detailed, visually appealing results, but they often introduce visual artifacts: unnatural patterns and texture distortions that degrade perceived quality. These defects vary widely in perceptual impact--some are barely noticeable, while others are highly disturbing--yet existing detection methods treat them equally. We propose artifact prominence as an evaluative target, defined as the fraction of viewers who judge a highlighted region to contain a noticeable artifact. We design a crowdsourced annotation protocol and construct SR-Prominence, a dataset suite containing 3,935 artifact masks from DeSRA, Open Images, Urban100, and a realistic no-ground-truth Urban100-HR setting, annotated with prominence. Re-annotating DeSRA reveals that 48.2% of its in-lab binary artifacts are not noticed by a majority of viewers. Across the suite, we audit SR artifact detectors, image-quality metrics, and SR methods. We find that classical full-reference metrics, especially SSIM and DISTS, provide surprisingly strong localized prominence signals, whereas no-reference IQA methods and specialized artifact detectors often fail to generalize across datasets and reference settings. SR-Prominence is released with an objective scoring protocol that allows new metrics to be benchmarked on our suite without further crowdsourcing. Together, the data and protocols enable SR artifact evaluation to move from binary defect presence toward perceptual impact. SR-Prominence is available at https://huggingface.co/datasets/imolodetskikh/sr-artifact-prominence.
- Abstract（参考訳）: 現代の画像超解像法は、詳細で視覚的に魅力的な結果を生成するが、視覚的アーティファクト(不自然なパターンと、知覚された品質を劣化させるテクスチャ歪み)をしばしば導入する。
これらの欠陥は知覚的な影響で大きく異なり、ほとんど目立たないものもあれば、非常に混乱しているものもある。
本稿では,注目された領域を判断し,注目に値するアーティファクトを含むビューアーティファクトのごく一部として定義される,評価対象としてのアーティファクト・プロミネンスを提案する。
クラウドソーシングされたアノテーションプロトコルを設計し,DESRA,Open Images,Urban100から3,935個のアーティファクトマスクを含むデータセットスイートSR-Prominenceを構築した。
再注釈したDeSRAは、レーベル内のバイナリアーティファクトの48.2%が、視聴者の大多数に気付かれていないことを明らかにした。
スイート全体にわたって、SRアーティファクト検出器、画像品質メトリクス、SRメソッドを監査する。
古典的な全参照メトリクス、特にSSIMやdisTSは驚くほど強い局所的なプロミネンス信号を提供するのに対し、非参照IQA法や特殊なアーティファクト検出器はデータセットや参照設定をまたいだ一般化に失敗することが多い。
SR-Prominenceは客観的スコアリングプロトコルとともにリリースされ、新たなメトリクスをさらなるクラウドソーシングなしに私たちのスイート上でベンチマークすることができる。
データとプロトコルを併用することで、SRアーチファクト評価がバイナリ欠陥の存在から知覚的影響へと移行することが可能になる。
SR-Prominenceはhttps://huggingface.co/datasets/imolodetskikh/sr-artifact-prominenceで入手できる。
関連論文リスト
- Beyond Visual Fidelity: Benchmarking Super-Resolution Models for Large-Scale Remote Sensing Imagery via Downstream Task Integration [61.02313993032298]
超分解能(SR)技術は低分解能入力から高分解能画像の再構成に大きな進歩をもたらした。
GeoSR-Benchは、SRモデルから改良された画像解像度と下流の地球モニタリングタスクを直接接続する最初のSRベンチマークである。
270の設定で実験を行い、2つのクロスプラットフォームSRタスク、9つのSRモデル、3つのダウンストリームタスクモデル、各SRタスクの5つのダウンストリームタスクをカバーした。
論文 参考訳（メタデータ） (2026-05-01T00:44:46Z) - Perceptual Quality Optimization of Image Super-Resolution [31.948003749760105]
シングルイメージ超解像(SR)は深層学習において顕著な進歩を遂げているが、ほとんどのアプローチは歪み指向の損失や知覚的先行に頼っている。
そこで本稿では,SRを人間の嗜好的品質に明示的に最適化する,テキスト有効知覚双方向注意ネットワーク(Efficient Perceptual Bi-directional Attention Network, EPBAN)を提案する。
論文 参考訳（メタデータ） (2026-02-25T01:17:24Z) - Unveiling Perceptual Artifacts: A Fine-Grained Benchmark for Interpretable AI-Generated Image Detection [95.08316274158165]
X-AIGDは、低レベルの歪み、高レベルの意味論、認知レベルの反事実など、知覚的アーティファクトのピクセルレベルの分類されたアノテーションを提供する。
既存のAIGI検出器は、最も基本的な歪みレベルであっても、知覚的アーティファクトに依存しない。
モデル注意をアーティファクト領域と明確に整合させることは、検出器の解釈可能性と一般化を高めることができる。
論文 参考訳（メタデータ） (2026-01-27T10:09:17Z) - Prominence-Aware Artifact Detection and Dataset for Image Super-Resolution [0.7297638898415074]
我々は、人工物は、一様二元的欠陥として扱われるのではなく、人間の観察者に対する卓越性によって特徴づけられるべきであると論じる。
そこで本研究では,11の現代の画像-SR手法から1302のアーティファクトを抽出した新しいデータセットを提案する。
我々は,空間的プロミネンス・ヒートマップを生成する軽量な回帰器を訓練し,優れたアーティファクトを検出するために既存の手法より優れた性能を発揮する。
論文 参考訳（メタデータ） (2025-10-19T08:28:53Z) - Collaborative Learning of Scattering and Deep Features for SAR Target Recognition with Noisy Labels [7.324728751991982]
雑音ラベル付きSAR自動目標認識のための散乱・深度特徴の協調学習を提案する。
具体的には、散乱と深い特徴を統合するために、マルチモデル機能融合フレームワークが設計されている。
提案手法は,ラベルノイズの異なる動作条件下での最先端性能を実現することができる。
論文 参考訳（メタデータ） (2025-08-11T06:10:23Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。
3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。
我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
論文 参考訳（メタデータ） (2024-08-13T09:01:12Z) - Rethinking the Up-Sampling Operations in CNN-based Generative Network
for Generalizable Deepfake Detection [86.97062579515833]
我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。
tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。
この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
論文 参考訳（メタデータ） (2023-12-16T14:27:06Z) - DeSRA: Detect and Delete the Artifacts of GAN-based Real-World
Super-Resolution Models [41.60982753592467]
GAN(Generative Adversarial Network)を用いた画像超解像(SR)は,現実的な詳細の復元に成功している。
GANベースのSRモデルが必然的に不快で望ましくないアーティファクトを生み出すことは悪名高い。
本稿では,未確認試験データから生成したGANアーチファクトの原因と特徴について,地絡みのない解析を行った。
そこで我々は,これらのSRアーティファクトの検出と削除を行う新しい手法,すなわちDeSRAを開発した。
論文 参考訳（メタデータ） (2023-07-05T17:31:44Z) - On the Frequency Bias of Generative Models [61.60834513380388]
我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。
既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。
以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
論文 参考訳（メタデータ） (2021-11-03T18:12:11Z)
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。