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
• Authors: Pengwei Wang, José Morano, Qian Wan, Hrvoje Bogunović,
• 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

• 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)
• 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)
• 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)

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。