論文の概要: EFIQA: Explainable Fundus Image Quality Assessment via Anatomical Priors

• arxiv url: http://arxiv.org/abs/2606.20108v1
• Date: Thu, 18 Jun 2026 11:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.823294
• Title: EFIQA: Explainable Fundus Image Quality Assessment via Anatomical Priors
• Title（参考訳）: EFIQA:解剖学的優先順位による説明可能な画像品質評価
• Abstract要約: EFIQAは, 品質管理を必要とせず, 空間品質マップを設計により生成するフレームワークである。 基礎写真では、まず、マスク付き解剖学的塗布を用いて教師なしの異常検出装置を訓練し、欠落した血管の部位を特定することによって、これを2段階のアプローチとしてインスタンス化する。
• 参考スコア（独自算出の注目度）: 3.868953398237752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image quality control is vital for a wide range of downstream applications. Deep learning-based image quality assessment methods typically train classifiers on dataset-specific quality labels, inheriting two limitations: (1) generalization is tied to the labeling criteria of the training set and (2) these methods cannot provide spatial feedback on where the quality is degraded, lacking explainability. In this work, we propose EFIQA, a framework that requires no quality-related supervision and produces spatial quality maps by design. Rather than learning ``what is degradation" from human-annotated labels, EFIQA learns ``what should be there" by leveraging anatomical priors. For fundus photography, we instantiate this as a two-stage approach, by first training an unsupervised anomaly detector via masked anatomical inpainting to identify regions of missing vasculature, and then distilling this prior knowledge into a shallow adapter mapping features of a frozen foundation model to precise quality maps. External-dataset evaluation demonstrates that this label-free approach with minimal adaptation achieves better performance and explainability compared with supervised methods across benchmarks with different quality criteria, highlighting its potential for real-world applications.
• Abstract（参考訳）: 画像品質制御は、幅広い下流アプリケーションにとって不可欠である。 深層学習に基づく画像品質評価手法は、データセット固有の品質ラベルの分類器を訓練し、(1)一般化はトレーニングセットのラベル付け基準に結びついており、(2)これらの手法は、品質が劣化した場所に関する空間的フィードバックを提供することができず、説明性に欠ける2つの制限を継承する。 本研究では,高品質な監視を必要としないフレームワークであるEFIQAを提案し,設計による空間品質マップを作成する。 EFIQAは、人間にアノテートされたラベルから『What is degradation』を学ぶのではなく、解剖学的な先行情報を活用することで『What should Be there』を学ぶ。 基礎写真では、まず、マスク付き解剖検査を用いて教師なしの異常検出装置を訓練し、欠落した血管の領域を特定し、その先行知識を凍結基礎モデルの浅いアダプタマッピング機能に精査し、正確な品質マップを作成することにより、これを2段階のアプローチとしてインスタンス化する。 外部データセット評価により、このラベルなしアプローチは、品質基準の異なるベンチマークを対象とする教師付き手法と比較して、パフォーマンスと説明可能性の向上を実現し、実世界のアプリケーションの可能性を強調している。

関連論文リスト

• From Glance to Scrutiny: Progressive Distortion Reasoning for Fine-Grained Image Quality Assessment [20.450708458726627]
  そこで我々は, IQAをプログレッシブ・Where-What-How診断として再構成するフレームワークであるGS-IQAを提案する。 人間の知覚過程を、一見したところからより綿密な精査までエミュレートする。 歪みの局所化、認識、重大度推定において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2026-09-08T06:39:25Z)
• FunPiQ: A New Benchmark for Pixel-Level Quality Assessment in Fundus Images [2.3155109250337182]
  我々はFunPiQという,ピクセルレベルの品質アノテーションを提供する最初のFIQAベンチマークを紹介した。 我々は,非負の正負の学習を通してCNNを訓練するために,解剖学的視認性に基づく品質の擬似ラベルを用いた説明可能な設計(EBD)手法EFIQA-CPを提案する。
  論文  参考訳（メタデータ） (2026-06-24T14:59:34Z)
• 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)
• ATTN-FIQA: Interpretable Attention-based Face Image Quality Assessment with Vision Transformers [19.095360516976847]
  顔画像品質評価(FIQA)は、顔サンプルの認識能力を評価することを目的としており、信頼性の高い顔認識(FR)システムに必須である。 近年の研究では、これらのアーキテクチャは本質的に、空間的重要性を自然にコードする注意パターンを持つ有能な学習者として機能していることが強調されている。 ATTN-FIQAは,事前学習したビジョントランスフォーマーに基づく顔認識モデルから得られたソフトマックス前注目スコアが品質指標として機能するかどうかを調査する,新しいトレーニングフリーアプローチである。
  論文  参考訳（メタデータ） (2026-04-21T12:46:16Z)
• Beyond Ground-Truth: Leveraging Image Quality Priors for Real-World Image Restoration [21.358966811756645]
  実世界の画像復元は、制御されていない条件下で取得した劣化した低品質(LQ)入力から高品質(HQ)イメージを復元することを目的としている。 既存の手法は通常、GTが完全な基準品質を提供すると仮定して、GTの監督に依存する。 本研究では,事前学習したNo-Reference Image Quality Assessment(NR-IQA)モデルから抽出した画像品質優先(IQP)モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-31T14:13:10Z)
• IQPFR: An Image Quality Prior for Blind Face Restoration and Beyond [56.99331967165238]
  Blind Face Restoration (BFR)は、劣化した低品質(LQ)の顔画像を高品質(HQ)の出力に再構成する課題に対処する。 本研究では,非参照画像品質評価(NR-IQA)モデルから得られた画像品質優先(IQP)を組み込んだ新しいフレームワークを提案する。 提案手法は,複数のベンチマークにおいて最先端技術より優れている。
  論文  参考訳（メタデータ） (2025-03-12T11:39:51Z)
• 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)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
  No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。 我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。 提案手法は,最新のPCQA手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:16:07Z)
• Feature Denoising Diffusion Model for Blind Image Quality Assessment [58.5808754919597]
  Blind Image Quality Assessment (BIQA) は、基準ベンチマークを使わずに、人間の知覚に合わせて画質を評価することを目的としている。 ディープラーニング BIQA の手法は、一般的に、伝達学習のための高レベルのタスクの特徴の使用に依存する。 本稿では,BIQAにおける特徴認知のための拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2024-01-22T13:38:24Z)
• Gap-closing Matters: Perceptual Quality Evaluation and Optimization of Low-Light Image Enhancement [55.8106019031768]
  低照度画像強調手法の最適化は、エンドユーザーが認識する視覚的品質によって導かれるべきであるという研究コミュニティの見解が高まりつつある。 主観的品質と客観的品質を体系的に評価するためのギャップ閉鎖フレームワークを提案する。 提案手法の有効性を,画質予測の精度と画像強調の知覚品質の両面から検証する。
  論文  参考訳（メタデータ） (2023-02-22T15:57:03Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• No-Reference Image Quality Assessment by Hallucinating Pristine Features [24.35220427707458]
  本稿では,特徴レベルの擬似参照(PR)幻覚を用いた非参照画像品質評価(IQA)手法を提案する。 提案手法の有効性を4つのIQAデータベースで実証した。
  論文  参考訳（メタデータ） (2021-08-09T16:48:34Z)

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。