論文の概要: Spatially Localized Image Degradation Embeddings for Image Quality Assessment
- arxiv url: http://arxiv.org/abs/2606.29162v1
- Date: Sun, 28 Jun 2026 02:55:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.817724
- Title: Spatially Localized Image Degradation Embeddings for Image Quality Assessment
- Title（参考訳）: 画像品質評価のための空間的局所化画像劣化埋め込み
- Abstract要約: 画像品質評価のための空間局所化画像劣化埋め込み(SLIDE-IQA)を紹介する。
SLIDE-IQAは、空間的に有界な劣化を対照的な事前学習目的に注入するデュアルブランチ・ビジョン・トランスフォーマー・フレームワークを採用している。
SLIDE-IQAの合成前訓練は局所歪みに対する感度を著しく向上させることを示した。
- 参考スコア（独自算出の注目度）: 25.158228645127036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised learning (SSL) currently drives state-of-the-art performance in no-reference image quality assessment (NR-IQA). However, standard SSL pipelines uniformly apply synthetic distortions across the entire image field, which can limit their sensitivity to spatially localized and co-occurring degradations encountered in real-world content. In this work, we empirically expose this representational blind spot across existing state-of-the-art encoders, demonstrating their reduced sensitivity to spatially bounded image degradations. To bridge this gap, we introduce Spatial Localized Image Degradation Embeddings for Image Quality Assessment (SLIDE-IQA). SLIDE-IQA employs a dual-branch Vision Transformer framework that injects spatially bounded degradations into a contrastive pretraining objective. To handle the spatial complexity of these degradations, we introduce a Threshold-Bounded Exclusion Mechanism, a representational design choice that resolves structural conflicts arising from spatially localized distortions to ensure the latent space respects both degradation type and spatial scale. Finally, we show that SLIDE-IQA's synthetic-only pretraining significantly improves sensitivity to localized distortions, while achieving competitive performance on NR-IQA benchmarks against existing SSL NR-IQA models.
- Abstract（参考訳）: 自己教師付き学習(SSL)は現在、非参照画像品質評価(NR-IQA)において最先端のパフォーマンスを駆動している。
しかし、標準のSSLパイプラインは、画像全体の合成歪みを均一に適用し、実際のコンテンツで発生する空間的局所化および共起劣化に対する感度を制限することができる。
本研究では、既存の最先端エンコーダに対して、この表現盲点を実証的に公開し、空間的に有界な画像劣化に対する感度の低下を実証する。
このギャップを埋めるために、画像品質評価のための空間局所化画像劣化埋め込み(SLIDE-IQA)を導入する。
SLIDE-IQAは、空間的に有界な劣化を対照的な事前学習目的に注入するデュアルブランチ・ビジョン・トランスフォーマー・フレームワークを採用している。
これらの劣化の空間的複雑さに対処するために,空間的局所的歪みに起因する構造的矛盾を解消し,劣化タイプと空間的スケールの両方を許容する表現的設計選択であるThreshold-Bounded Exclusion Mechanismを導入する。
最後に, 既存の NR-IQA モデルに対して NR-IQA ベンチマークの競合性能を向上しつつ, 局所歪みに対する感度を著しく向上することを示す。
関連論文リスト
- CLUIE: Clustering-Aware Recurrent Propagation with Local Structural Compensation for Underwater Image Enhancement [92.78545064386485]
水中画像の強調は、波長依存性の光吸収、散乱、後方散乱により依然として困難である。
本稿では,従来のRWKVの一定繰り返し伝搬経路をコンテント適応トークン軌道に変換するクラスタリング対応RWKVフレームワークを提案する。
複数の水中画像強調ベンチマークの実験は、CRWKVが最先端の定量的性能と優れた視覚的品質を達成することを示した。
論文 参考訳（メタデータ） (2026-07-23T16:09:36Z) - Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。
LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文 参考訳（メタデータ） (2026-05-29T19:34:39Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - 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) - Rethinking Exposure Correction for Spatially Non-uniform Degradation [41.78840354779858]
空間的非均一性のための新しい露出補正パラダイムを提案する。
具体的には,空間適応変調重みを予測するための空間信号を導入する。
本手法は,最先端手法と比較して質的,定量的な性能に優れる。
論文 参考訳（メタデータ） (2026-04-05T14:41:59Z) - Multi-Scale Local Speculative Decoding for Image Generation [10.239314110594249]
マルチスケールローカル投機復号(MuLo-SD)を導入する。
MuLo-SDは、多重解像度のドラフトと空間情報による検証を組み合わせることで、AR画像生成を高速化する。
我々は MuLo-SD が $mathbf1.7times$ までの大幅な高速化を実現することを示した。
論文 参考訳（メタデータ） (2026-01-08T17:39:35Z) - Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection [30.77558600436759]
ARAS(ARAS)は、言語条件付き自動回帰異常合成手法である。
トークンアンコールによる遅延編集によって、ローカルでテキスト指定の欠陥を通常の画像に注入する。
欠陥リアリズムを著しく強化し、きめ細かい材料テクスチャを保存し、合成された異常に対して連続的な意味制御を提供する。
論文 参考訳（メタデータ） (2025-08-05T15:07:32Z) - DGIQA: Depth-guided Feature Attention and Refinement for Generalizable Image Quality Assessment [9.851063768646847]
非参照画像品質評価における長年の課題は、自然歪みを目にしない客観的な一般化の欠如である。
我々は,シーンの深度と空間的特徴を構造認識表現に蒸留する,Depth-Guided Cross-attention and refinement 機構を新たに開発した。
マルチモーダルアテンションベースプロジェクション関数としてTCBとDepth-CARを実装し,最も有用な特徴を選択する。
実験により,提案したDGIQAモデルにより,総合的および真正なベンチマークデータセット上での最先端(SOTA)性能が得られた。
論文 参考訳（メタデータ） (2025-05-29T20:52:56Z) - ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。
HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。
計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
論文 参考訳（メタデータ） (2025-04-16T05:33:42Z) - 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) - Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。
実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
論文 参考訳（メタデータ） (2024-08-01T15:14:10Z) - 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) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z)
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。