論文の概要: Boosting Image Quality Assessment Performance: Unsupervised Score Fusion by Deep Maximum a Posteriori Estimation

• arxiv url: http://arxiv.org/abs/2605.30269v1
• Date: Thu, 28 May 2026 17:29:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.586783
• Title: Boosting Image Quality Assessment Performance: Unsupervised Score Fusion by Deep Maximum a Posteriori Estimation
• Title（参考訳）: 画像品質評価性能の向上:深部最大位置推定による教師なしスコア融合
• Authors: Zhongling Wang, Raymond Zhou, Shahrukh Athar, Wenbo Yang, Zhou Wang,
• Abstract要約: ポストエリオーリ (MAP) 推定深度推定を用いた非教師なしIQAスコア融合のためのフレームワークを提案する。 提案モデルでは, 精度を向上し, 融合予測における不確実性を低減するため, スコアレベルできめ細かな不確実性推定を行う。
• 参考スコア（独自算出の注目度）: 10.277667784513469
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decades, numerous Image Quality Assessment (IQA) models have emerged, aiming to predict the perceptual quality of images. However, individual models are often biased toward certain types of image content or distortions, depending on the design principle and process. An intuitive idea is to harness the strengths and mitigate the weaknesses of each IQA model, by fusing the scores of multiple models into a stronger one. Here we make one of the first attempts to seek an optimal solution for the idea and propose a general framework for unsupervised IQA score fusion using deep Maximum a Posteriori (MAP) estimation. The proposed model conducts fine-grained uncertainty estimation at the score level to increase the accuracy and reduce the uncertainty in fused predictions. Comprehensive experiments demonstrate the superiority of the proposed model over individual IQA models and other fusion methods. It also exhibits an interesting capability of rejecting ``bad" models in the fusion process.
• Abstract（参考訳）: 過去数十年間、画像の品質評価(IQA)モデルが数多く登場し、画像の知覚品質を予測することを目指している。 しかし、個々のモデルはデザインの原則やプロセスによって、特定の種類の画像の内容や歪みに偏っていることが多い。 直感的な考え方は、複数のモデルのスコアをより強いモデルに融合させることで、各IQAモデルの強度を活用し、弱点を軽減することである。 ここでは、このアイデアの最適解を求める最初の試みの1つとして、ポストエリオーリ(MAP)推定の深さ最大値を用いた非教師なしIQAスコア融合のための一般的なフレームワークを提案する。 提案モデルでは, 精度を向上し, 融合予測における不確実性を低減するため, スコアレベルできめ細かな不確実性推定を行う。 総合的な実験は、個々のIQAモデルや他の融合法よりも提案モデルの方が優れていることを示す。 また、融合プロセスにおいて ``bad' モデルを拒否する興味深い機能を示す。

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)
• Q-Hawkeye: Reliable Visual Policy Optimization for Image Quality Assessment [25.916354359994624]
  本稿では,RLに基づく信頼性の高い視覚ポリシー最適化フレームワークであるQ-Hawkeyeを提案する。 Q-Hawkeyeは、複数のロールアウトにまたがる予測スコアのばらつきを用いて予測の不確実性を推定する。 本稿では,実際の視覚的証拠に品質判断を根拠として,モデルに制約を与えるインプシット知覚損失を導入する。
  論文  参考訳（メタデータ） (2026-01-30T12:42:32Z)
• 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)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• 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)
• Black-box Adversarial Attacks Against Image Quality Assessment Models [16.11900427447442]
  No-Reference Image Quality Assessment (NR-IQA)の目標は、画像の知覚的品質を主観的評価に従って予測することである。 本稿では,NR-IQAモデルに対するブラックボックス攻撃を初めて検討する。
  論文  参考訳（メタデータ） (2024-02-27T14:16:39Z)

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。