論文の概要: FunPiQ: A New Benchmark for Pixel-Level Quality Assessment in Fundus Images

• arxiv url: http://arxiv.org/abs/2606.25915v1
• Date: Wed, 24 Jun 2026 14:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.362487
• Title: FunPiQ: A New Benchmark for Pixel-Level Quality Assessment in Fundus Images
• Title（参考訳）: FunPiQ:Fundusイメージのピクセルレベル品質評価のための新しいベンチマーク
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3155109250337182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Color fundus photography (CFP) is the most common ophthalmic imaging modality for large-scale screening. However, it is highly susceptible to degradations, making robust fundus image quality assessment (FIQA) crucial. The criteria for what constitutes high-quality at the image level vary across clinical tasks, making FIQA dependent on expert knowledge. This motivated the development of automated methods and datasets. While existing datasets aim to standardize image-level quality, their criteria often differ. Furthermore, image-level labels preclude the quantitative evaluation of localized degradations, which is essential for trustworthy FIQA. We argue that pixel-level FIQA based on anatomical visibility represents a more task-agnostic, explainable approach. In this work, we introduce FunPiQ, the first FIQA benchmark to provide pixel-level quality annotations. In addition, we propose EFIQA-CP, an explainable-by-design (EBD) method that uses quality pseudo-labels based on anatomical visibility to train a CNN via Non-Negative Positive-Unlabeled learning. Extensive evaluations of classification methods with post-hoc explanations, anomaly detection methods, and EBD methods demonstrate the superior performance of the last and, particularly, of EFIQA-CP.
• Abstract（参考訳）: カラー・ファンドス・フォトグラフィー(CFP)は、大規模検診において最も一般的な眼科画像モダリティである。 しかし、劣化に非常に敏感であり、堅牢な眼底画像品質評価(FIQA)が重要である。 画像レベルでの高品質を構成する基準は臨床作業によって異なり、FIQAは専門家の知識に依存している。 これにより、自動化されたメソッドとデータセットの開発が動機となった。 既存のデータセットは画像レベルの品質を標準化することを目標としているが、その基準はしばしば異なる。 さらに、画像レベルのラベルは、信頼に値するFIQAに欠かせない局所劣化の定量的評価を妨げている。 解剖学的視認性に基づくピクセルレベルのFIQAは、タスクに依存しない、説明可能なアプローチである、と我々は主張する。 本稿では,FunPiQを紹介する。FunPiQは,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ベンチマークである。 さらに,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)手法であるEFIQA-CPを提案する。 ポストホック法, 異常検出法, EBD法による分類手法の大規模評価は, 最後のEFIQA-CPの優れた性能を示し, 特にEFIQA-CPの優れた性能を示した。

関連論文リスト

• CBCT-IQ: A Publicly Available Annotated Cone-Beam CT Dataset for Image Quality Assessment and Benchmarking [13.49893413630687]
  我々は1,764個の注釈付き画像スライスを含む最初のオープンアクセスCBCT IQAデータセットを提供する。 専門家のアノテーションに対する参照ベースのIQA尺度を26の基準でベンチマークし、調査的なIQA尺度に基づくランキングを導入する。
  論文  参考訳（メタデータ） (2026-07-31T10:24:20Z)
• EFIQA: Explainable Fundus Image Quality Assessment via Anatomical Priors [3.868953398237752]
  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。
  論文  参考訳（メタデータ） (2026-06-18T11:31:08Z)
• 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)
• QD-PCQA: Quality-Aware Domain Adaptation for Point Cloud Quality Assessment [59.63956655216264]
  No-Reference Point Cloud Quality Assessment (NR-PCQA)は、まだ一般化に苦戦している。 HVS(Human Visual System)は、メディアタイプとは独立して知覚品質の評価を実行する。 QD-PCQAと呼ばれるPCQAのための新しい品質対応ドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T04:58:07Z)
• Life-IQA: Boosting Blind Image Quality Assessment through GCN-enhanced Layer Interaction and MoE-based Feature Decoupling [53.74410422225995]
  ブラインド画像品質評価(BIQA)は視覚経験の評価と最適化において重要な役割を担っている。 既存のBIQAアプローチのほとんどは、バックボーンネットワークから抽出された浅く深い特徴を融合させ、品質予測に不平等な貢献を見落としている。 本稿では,BIQA の浅層・深層特性の寄与について検討し,GCN によるアンダーライン層アンダーライン相互作用と MoE ベースのアンダーラインアンダーラインデカップリング(textbf(Life-IQA))による効果的な品質特徴デコードフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-24T11:59:55Z)
• 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)
• 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)
• Generalized Portrait Quality Assessment [26.8378202089832]
  本稿では,ポートレート品質評価(PQA)に対する学習に基づくアプローチを提案する。 提案手法はPIQ23ベンチマークの広範な実験により検証された。 FHIQAのソースコードは、PIQ23 GitHubリポジトリで公開されている。
  論文  参考訳（メタデータ） (2024-02-14T13:47:18Z)
• 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)
• MD-IQA: Learning Multi-scale Distributed Image Quality Assessment with Semi Supervised Learning for Low Dose CT [6.158876574189994]
  画像品質評価(IQA)は放射線線量最適化と新しい医用イメージング技術開発において重要な役割を担っている。 最近の深層学習に基づくアプローチは、強力なモデリング能力と医療IQAの可能性を示している。 本稿では,出力分布を制約して品質スコアを予測するため,マルチスケール分布回帰手法を提案する。
  論文  参考訳（メタデータ） (2023-11-14T09:33:33Z)
• Blind Multimodal Quality Assessment: A Brief Survey and A Case Study of Low-light Images [73.27643795557778]
  ブラインド画像品質評価(BIQA)は、視覚信号の客観的スコアを自動的に正確に予測することを目的としている。 この分野での最近の発展は、ヒトの主観的評価パターンと矛盾しない一助的解によって支配されている。 主観的評価から客観的スコアへの低照度画像の一意なブラインドマルチモーダル品質評価(BMQA)を提案する。
  論文  参考訳（メタデータ） (2023-03-18T09:04:55Z)
• 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)
• Object-QA: Towards High Reliable Object Quality Assessment [71.71188284059203]
  オブジェクト認識アプリケーションでは、オブジェクトイメージは通常、異なる品質レベルで表示される。 本稿では,オブジェクト画像の信頼性の高い品質スコアを評価するために,Object-QAという効果的手法を提案する。
  論文  参考訳（メタデータ） (2020-05-27T01:46:58Z)

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。