論文の概要: MSIQ: Moment-based Scale-Invariant Quality Measure for Single Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2605.17588v1
• Date: Sun, 17 May 2026 18:32:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.218795
• Title: MSIQ: Moment-based Scale-Invariant Quality Measure for Single Image Super-Resolution
• Title（参考訳）: MSIQ:単一画像超解法のためのモーメントベーススケール不変品質測定
• Authors: Leonid Bedratyuk,
• Abstract要約: 本稿では,MSIQ(textitMoment-based Scale-Invariant Quality)を提案する。 2つの画像の正規化中心幾何モーメントの比較に基づいて、MSIQは数学的に決定論的(テクトモデルなし)であり、解析形式を持つ。 提案手法は,幾何学的忠実度が優先される領域,特に医用画像とリモートセンシングの診断ツールである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assessing the quality of single image super-resolution (SISR) results remains an open methodological problem. Common full-reference metrics (PSNR, SSIM, LPIPS) do not explicitly evaluate the preservation of the geometric structure of images, which is critical for the correctness of scale-based reconstruction. In addition, they require the forced alignment of images to the same size (\textit{forced resizing}), which introduces an external interpolation error into the evaluation process. This paper proposes a diagnostic scale-invariant quality measure, MSIQ (\textit{Moment-based Scale-Invariant Quality}), based on the comparison of normalized central geometric moments of two images. MSIQ enables direct comparison of images with different spatial resolutions without resizing, is mathematically deterministic (\textit{model-free}), and has an analytical form. To provide a theoretical basis for the approach, we introduce a conceptual distinction between the ability of metrics to monotonically track degradation (\textit{tracking ability}) and their geometric selectivity (\textit{geometric specificity}). The experimental validation confirmed the stability of MSIQ under uniform scaling and, at the same time, revealed the high sensitivity of traditional metrics to the choice of interpolation method. The results show that MSIQ has pronounced geometric selectivity: the proposed measure effectively separates geometric deformations from non-geometric artifacts, in particular JPEG compression, unlike pixel-based and perceptual metrics. It is also shown that the response of MSIQ to structural perturbations remains stable across different classes of SR algorithms, including DNN models with different architectures. The proposed measure is a complementary diagnostic tool for domains where geometric fidelity has priority, in particular medical imaging and remote sensing.
• Abstract（参考訳）: 単一画像超解像(SISR)の結果の質を評価することは、依然としてオープンな方法論上の問題である。 PNR, SSIM, LPIPSは画像の幾何学的構造の保存を明示的に評価していない。 さらに、画像の強制アライメントを同じサイズ(\textit{forced resizing})にし、評価プロセスに外部補間誤差を導入する必要がある。 本稿では、2つの画像の正規化中心幾何モーメントの比較に基づいて、診断スケール不変品質尺度MSIQ(\textit{Moment-based Scale-Invariant Quality})を提案する。 MSIQは空間分解能の異なる画像を直接比較することができ、数学的には決定論的(\textit{model-free})であり、解析形式を持つ。 提案手法の理論的基盤として,分解を単調に追跡するメトリクスの能力 (\textit{tracking ability}) と,その幾何学的選択性 (\textit{geometric specificity}) とを概念的に区別する。 実験により, 均一スケーリング下でのMSIQの安定性を確認し, 補間法の選択に対する従来の指標の感度が高いことを示した。 提案手法は,非幾何学的アーティファクト,特にJPEG圧縮の幾何学的変形を,画素ベースや知覚的指標と異なり効果的に分離する。 また、構造摂動に対するMSIQの応答は、異なるアーキテクチャを持つDNNモデルを含む、SRアルゴリズムの様々なクラスで安定であることが示されている。 提案手法は,幾何学的忠実度が優先される領域,特に医用画像とリモートセンシングの相補的診断ツールである。

関連論文リスト

• Causal Disentanglement for Full-Reference Image Quality Assessment [21.96346718260435]
  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。
  論文  参考訳（メタデータ） (2026-04-23T13:18:13Z)
• MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
  点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
  論文  参考訳（メタデータ） (2026-01-03T14:58:52Z)
• Hybrid Image Resolution Quality Metric (HIRQM):A Comprehensive Perceptual Image Quality Assessment Framework [0.0]
  本稿では,HIRQM(Hybrid Image Resolution Quality Metric)を提案する。 動的重み付け機構は、輝度や分散といったイメージ特性に基づいてコンポーネントのコントリビューションを適応し、歪みタイプ間の柔軟性を向上させる。 TID2013とLIVデータセット、HIRQMピアソンとスピアマンの相関を0.92と0.90と評価し、従来の指標を上回った。
  論文  参考訳（メタデータ） (2025-05-04T06:14:10Z)
• Structural Similarity in Deep Features: Image Quality Assessment Robust to Geometrically Disparate Reference [22.323905448096284]
  上記の問題に対処する統合型非学習型Deep Structure similarity (DeepSSIM) アプローチを提案する。 提案手法は,AR-IQAデータセット上での最先端性能を実現し,各種GDR-IQAテストケースに対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2024-12-27T09:51:23Z)
• 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)
• DeepDC: Deep Distance Correlation as a Perceptual Image Quality Evaluator [53.57431705309919]
  ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。 我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。 5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
  論文  参考訳（メタデータ） (2022-11-09T14:57:27Z)
• A kinetic approach to consensus-based segmentation of biomedical images [39.58317527488534]
  バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。 システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。 2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
  論文  参考訳（メタデータ） (2022-11-08T09:54:34Z)
• Degradation-agnostic Correspondence from Resolution-asymmetric Stereo [96.03964515969652]
  テレワイドカメラシステムで取得した解像度の異なる2枚の画像からステレオマッチングの問題を考察する。 特徴量整合性という画像空間の代わりに特徴空間に2つのビュー間の整合性を課すことを提案する。 測光損失をトレーニングしたステレオマッチングネットワークは最適ではないが, 特徴抽出器は劣化に依存しない, マッチング特有の特徴を生成できる。
  論文  参考訳（メタデータ） (2022-04-04T12:24:34Z)
• A study of deep perceptual metrics for image quality assessment [3.254879465902239]
  我々は、画像品質評価(IQA)タスクに取り組むために、ディープニューラルネットワークに基づく知覚メトリクスについて検討する。 異なる解像度で知覚情報を集約できる多分解能知覚距離(MR-Perceptual)を提案する。
  論文  参考訳（メタデータ） (2022-02-17T14:52:53Z)
• Image Matching with Scale Adjustment [57.18604132027697]
  可変スケールでの関心点の表現と抽出方法を示す。 2つの異なる解像度で2つの画像を比較する方法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T11:03:25Z)

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。