論文の概要: LEIQ-Assessor: Multi-dimensional Quality Assessment of Low-light Enhanced Images via Multi-task Learning

• arxiv url: http://arxiv.org/abs/2606.29752v1
• Date: Mon, 29 Jun 2026 03:49:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.033997
• Title: LEIQ-Assessor: Multi-dimensional Quality Assessment of Low-light Enhanced Images via Multi-task Learning
• Title（参考訳）: LEIQ-Assessor:マルチタスク学習による低照度画像の多次元品質評価
• Authors: Wei Sun, Yanwei Jiang, Dandan Zhu, Jinqiu Sang, Jikai Xu, Weixia Zhang, Guangtao Zhai,
• Abstract要約: マルチタスク学習に基づく低照度画像強調のための多次元品質評価モデルである textbfLEIQ-Assessor を提案する。 提案手法は,QoMEX 2026 Grand Challenge on Low-light Enhanced Image Quality Assessmentにおいて2位となった。
• 参考スコア（独自算出の注目度）: 44.13842840233756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light image enhancement algorithms (LIEAs) aim to improve the visibility of images captured under poor illumination. However, the enhancement process often introduces artifacts such as noise amplification, color shift, structural damage, and over-exposure, which degrade the perceptual quality of the enhanced images. Therefore, a reliable image quality assessment (IQA) metric for evaluating enhancement effects is of great importance for both the development of LIEAs and their practical applications. In this paper, we present \textbf{LEIQ-Assessor}, a multi-dimensional quality assessment model for low-light image enhancement based on multi-task learning, developed for the QoMEX 2026 Grand Challenge on Low-light Enhanced Image Quality Assessment. Specifically, our method leverages a pre-trained SigLIP2 Vision Transformer as the backbone and simultaneously predicts the overall Mean Opinion Score (MOS) together with six perceptual sub-attributes: lightness, color fidelity, noise level, exposure quality, naturalness, and content recovery. By jointly optimizing these correlated objectives via the PLCC loss, the shared representation captures richer quality-aware features than its single-task counterpart. Experiments on the MLE benchmark demonstrate that LEIQ-Assessor significantly outperforms existing no-reference IQA models and hand-crafted quality descriptors. Our method achieved second place in the QoMEX 2026 Grand Challenge on Low-light Enhanced Image Quality Assessment. The code is available at https://github.com/sunwei925/LEIQ-Assessor.
• Abstract（参考訳）: 低照度画像強調アルゴリズム(LIEA)は、低照度で撮影された画像の可視性を改善することを目的としている。 しかし、強調処理は、しばしばノイズ増幅、色シフト、構造的損傷、過剰露光などのアーティファクトを導入し、拡張画像の知覚的品質を低下させる。 したがって、改善効果を評価するための信頼性画像品質評価(IQA)基準は、LIEAの開発とその実用化において非常に重要である。 本稿では,QoMEX 2026 Grand Challenge on Low-light Enhanced Image Quality Assessmentのために開発された,マルチタスク学習に基づく低照度画像改善のための多次元品質評価モデルである \textbf{LEIQ-Assessor} を提案する。 具体的には、トレーニング済みのSigLIP2 Vision Transformerをバックボーンとして利用し、明度、色忠実度、ノイズレベル、露出品質、自然性、コンテンツ回復の6つのサブ属性とともに、全体の平均オピニオンスコア(MOS)を同時に予測する。 PLCC損失によってこれらの相関対象を協調的に最適化することにより、共有表現はシングルタスクよりもリッチな品質認識特徴をキャプチャする。 MLEベンチマークの実験では、LEIQ-Assessorは既存の非参照IQAモデルや手作り品質記述子よりも大幅に優れていた。 提案手法は,QoMEX 2026 Grand Challenge on Low-light Enhanced Image Quality Assessmentにおいて2位となった。 コードはhttps://github.com/sunwei925/LEIQ-Assessorで入手できる。

関連論文リスト

• Q-DeepSight: Incentivizing Thinking with Images for Image Quality Assessment and Refinement [58.15004031934379]
  我々は、この人間のようなプロセスをエミュレートする思考とイメージのフレームワークであるQ-DeepSightを提案する。 Q-DeepSightは、自然、復元、AI生成コンテンツなど、さまざまなベンチマークで最先端のパフォーマンスを実現している。 本稿では,Q-DeepSight の診断が反復画像強調を導くトレーニングフリーフレームワークであるPerceptual-in-Generation (PiG) を用いて,その実用的価値を示す。
  論文  参考訳（メタデータ） (2026-04-18T06:10:57Z)
• Enhancing Image Quality Assessment Ability of LMMs via Retrieval-Augmented Generation [102.10193318526137]
  大規模マルチモーダルモデル(LMM)は近年,低レベルの視覚知覚タスクにおいて顕著な将来性を示している。 我々は,LMMの画像品質評価(IQA)能力を向上させるトレーニングフリーフレームワークであるIQARAGを紹介する。 IQARAGはRetrieval-Augmented Generation (RAG)を利用して、意味論的に類似しているが品質の異なる参照画像と対応する平均オピニオンスコア(MOS)を入力画像として取得する。
  論文  参考訳（メタデータ） (2026-01-13T08:00:02Z)
• Q-Insight: Understanding Image Quality via Visual Reinforcement Learning [27.26829134776367]
  画像品質評価(IQA)は、画像の知覚的視覚的品質に焦点を当て、画像再構成、圧縮、生成などの下流タスクにおいて重要な役割を果たす。 グループ相対ポリシー最適化(GRPO)に基づく強化学習に基づくモデルQ-Insightを提案する。 評価結果から,Q-Insightは,評価結果の回帰と劣化知覚の両面において,既存の最先端手法を大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-28T17:59:54Z)
• 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)
• Quality Assessment of Low Light Restored Images: A Subjective Study and an Unsupervised Model [10.119600046984088]
  本研究は、低照度復元画像の主観的知覚とその教師なしNR QAについて研究する。 まず、様々なLLR手法を用いて復元された低光画像のデータセットを作成し、主観的なQA研究を行い、既存のQA手法の性能をベンチマークする。 次に、復元された低光画像から歪み認識特徴を抽出する自己教師付きコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-02-04T18:06:07Z)

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。