論文の概要: Ultra-High-Definition Image Quality Assessment via Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2605.22192v1
• Date: Thu, 21 May 2026 08:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.176852
• Title: Ultra-High-Definition Image Quality Assessment via Graph Representation Learning
• Title（参考訳）: グラフ表現学習による超高精細画像品質評価
• Authors: Shaode Yu, Enqi Chen, Ming Huang, Xuemin Ren, Songnan Zhao, Zhicheng Zhang, Qiurui Sun,
• Abstract要約: 超高精細(UHD)画像に対するブラインド画像品質評価(BIQA)は、ネイティブ解像度推論が計算コストが高いため、依然として困難である。 本稿では,サンプル画像領域間の構造的依存関係を明示的にモデル化し,UHD-BIQAを改善することを目的とする。
• 参考スコア（独自算出の注目度）: 16.276734972955285
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Blind image quality assessment (BIQA) for ultrahighdefinition (UHD) images remains challenging because native-resolution inference is computationally expensive, whereas aggressive resizing or isolated cropping may suppress scale-sensitive distortions and weaken the relationship between local artifacts and global scene context. This paper aims to improve UHD-BIQA by explicitly modeling the structural dependencies among sampled image regions rather than treating them as independent views, and a graph representation learning framework UHD-GCN-BIQA is proposed. The framework samples aspect-ratio-aligned patches from each UHD image, encodes them as graph nodes, and constructs a hybrid k-nearest-neighbor graph using spatial proximity and feature similarity. Residual graph convolution is used to propagate contextual information across regions, and gated attention pooling aggregates patchlevel evidence into an imagelevel quality prediction. An exponential moving average normalized multiobjective loss function is adopted to stabilize the joint optimization of regression, correlation, and ranking objectives. Experiments on the UHD-IQA benchmark show that UHD-GCN-BIQA achieves PLCC = 0.7784, SRCC = 0.8019, and RMSE = 0.0519, obtaining competitive correlation performance and the lowest RMSE among the compared methods. These results indicate that graph-based region relation modeling is effective for UHD image quality assessment, particularly for improving absolute quality score estimation under high-resolution visual content.
• Abstract（参考訳）: 超高精細画像に対するブラインド画像品質評価(BIQA)は、ネイティブ解像度推論が計算コストが高いため、依然として困難であり、一方、アグレッシブな再サイズまたは孤立的な収穫は、スケール感受性の歪みを抑制し、局所的なアーティファクトとグローバルなシーンコンテキストの関係を弱める可能性がある。 本稿では、独立したビューとして扱うのではなく、サンプル画像領域間の構造的依存関係を明示的にモデル化し、UHD-BIQAを改善することを目的としており、グラフ表現学習フレームワークであるUHD-GCN-BIQAを提案する。 このフレームワークは、各UHD画像からアスペクト比整合パッチをサンプリングし、それらをグラフノードとしてエンコードし、空間的近接と特徴的類似性を用いてハイブリッドk-アネレスト近傍グラフを構築する。 残留グラフ畳み込み(Residual graph convolution)は、地域間でコンテキスト情報を伝達するために使用され、注意プールはパッチレベルの証拠を画像レベルの品質予測に集約する。 指数移動平均正規化多目的損失関数を用いて、回帰、相関、ランク付け目的の合同最適化を安定化する。 UHD-GCN-BIQAベンチマークの実験により、UHD-GCN-BIQAはPLCC = 0.7784、SRCC = 0.8019、RMSE = 0.0519を達成し、比較手法の中で競合相関性能と最低RMSEを得ることを示した。 これらの結果から,UHD画像の品質評価にはグラフベースの領域関係モデリングが有効であることが示唆された。

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)
• Radiology Report Generation for Low-Quality X-Ray Images [47.455316078409]
  VLM(Vision-Language Models)は、非常に高度な自動放射線診断レポート生成(RRG)を備えている。 既存の手法では、暗黙的に高品質な入力を仮定し、実際の臨床環境で流行するノイズやアーティファクトを見渡す。 本稿では,画像品質の変動を考慮したロバストなレポート生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-11T12:42:37Z)
• Hierarchical Graph Attention Network for No-Reference Omnidirectional Image Quality Assessment [21.897948374713163]
  現在のOIQA(Omnidirectional Image Quality Assessment)法は,局所的な非一様歪みの評価に苦慮している。 本稿では,ビューポート間の構造関係を明示的にモデル化するグラフニューラルネットワークを用いたOIQAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-13T14:25:24Z)
• 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)
• PSCR: Patches Sampling-based Contrastive Regression for AIGC Image Quality Assessment [1.1744028458220428]
  本稿では,様々な画像の差を利用した表現空間の学習のためのコントラスト回帰フレームワークを提案する。 我々は、AGIQA-1K、AGIQA-3K、AIGCIQA2023を含む3つの主要なAIGCIQAデータベースについて広範な実験を行った。 その結果,提案したPSCRフレームワークの導入により,モデル性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-12-10T14:18:53Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• 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)

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。