論文の概要: MR-IQA: A Unified Margin View of Regression and Ranking for Blind Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2606.29760v2
• Date: Tue, 30 Jun 2026 07:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 13:50:27.726697
• Title: MR-IQA: A Unified Margin View of Regression and Ranking for Blind Image Quality Assessment
• Title（参考訳）: MR-IQA:ブラインド画像品質評価のための回帰とランク付けの統一されたマージンビュー
• Abstract要約: ブラインド画像品質評価(BIQA)は、回帰とランキングという2つの基本的な学習パラダイムに基づいて構築される。 本研究では, 回帰とランク付けの基盤となるものを再検討し, 両者の相互関係距離, 品質マージンを共通の橋として同定する。 この知見に触発されたMR-IQAは、強化学習(RL)に基づくBIQAのための直接品質マージン最適化フレームワークである。
• 参考スコア（独自算出の注目度）: 20.4401121122447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blind image quality assessment (BIQA) is commonly built on two basic learning paradigms: regression and ranking. Regression calibrates absolute scores, whereas ranking recovers quality structure from ordinal relations. Although joint regression-ranking supervision often improves BIQA, the relation between the two paradigms remains largely empirical and underexplored. In this work, we revisit what underlies regression and ranking and identify pairwise relational distance, termed quality margin, as their common bridge. Our derivation shows that, at the objective-optimization level, both paradigms fit quality margins: regression fits margins induced by score endpoints, while ranking fits transformed or sign-level margins through preference probabilities. Motivated by this insight, we propose MR-IQA, a direct quality-margin optimization framework for reinforcement learning (RL)-based BIQA. MR-IQA samples quality scores and optimizes pairwise margin errors as policy rewards, thereby modeling quality structure more explicitly. Experiments on six BIQA benchmarks show competitive general performance, and controlled comparisons demonstrate that MR-IQA achieves the strongest average PLCC/SRCC over regression- or ranking-based RL methods. Our findings provide a new insight into unifying regression and ranking, offering a theoretical basis for understanding quality-structure modeling in BIQA and beyond. Code is available at https://github.com/RobinY99/MR-IQA.
• Abstract（参考訳）: ブラインド画像品質評価(BIQA)は、回帰とランキングという2つの基本的な学習パラダイムに基づいて構築される。 回帰は絶対スコアを校正するが、ランク付けは順序関係から品質構造を回復する。 共同回帰レベルの監督はしばしばBIQAを改善するが、この2つのパラダイムの関係は、主に経験的であり、未解明のままである。 本研究では, 回帰とランク付けの基盤となるものを再検討し, 対関係距離, 品質マージンを共通の橋として同定する。 我々の導出は、目的最適化レベルでは、両方のパラダイムが品質マージンに適合していることを示している:回帰はスコアエンドポイントによって引き起こされるマージンに適合し、一方、ランクは好みの確率によって変換または符号レベルマージンに適合する。 この知見に触発されたMR-IQAは、強化学習(RL)に基づくBIQAのための直接品質マージン最適化フレームワークである。 MR-IQAは、品質スコアをサンプリングし、ポリシー報酬としてペアワイズマージンエラーを最適化することにより、品質構造をより明確にモデル化する。 6つのBIQAベンチマークの実験は、競争上の一般的な性能を示し、制御された比較により、MR-IQAは回帰に基づくRL法よりも平均的なPLCC/SRCCを達成することが示された。 本研究は,BIQA以降の品質構造モデルを理解するための理論的基盤を提供するため,回帰とランキングの統一に関する新たな知見を提供する。 コードはhttps://github.com/RobinY99/MR-IQAで入手できる。

関連論文リスト

• ME-IQA: Memory-Enhanced Image Quality Assessment via Re-Ranking [25.561100902733326]
  本稿では,テスト時間メモリ強化型再ランクフレームワークME-IQAを紹介する。 メモリバンクを構築し、推論サマリーを使用してセマンティックおよび知覚的に一致した隣人を検索する。 ゲートリフレクションを実行し、メモリを統合して将来の意思決定を改善する。
  論文  参考訳（メタデータ） (2026-03-21T12:23:08Z)
• R-Align: Enhancing Generative Reward Models through Rationale-Centric Meta-Judging [69.96389360650072]
  解析精度は, 標準ラベルの精度を超えて, 下流RLHFの結果を高い精度で予測できることが示される。 我々は,金の判断でトレーニングを増強し,合理的アライメントを明示的に監督するR-Alignを提案する。
  論文  参考訳（メタデータ） (2026-02-06T15:17:11Z)
• From Global to Granular: Revealing IQA Model Performance via Correlation Surface [83.65597122328133]
  我々は, IQA 性能の構造化, きめ細かな解析を行う textbfGranularity-Modulated correlation (GMC) を提案する。 GMCにはtextbfDistribution Regulatorが含まれており、相関関係を規則化し、非均一な品質分布からのバイアスを軽減する。 標準ベンチマークの実験では、GCCはスカラーメトリクスに見えないパフォーマンス特性を示し、IQAモデルを分析、比較、デプロイするためのより情報に富んだ信頼性の高いパラダイムを提供する。
  論文  参考訳（メタデータ） (2026-01-29T13:55:26Z)
• 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)
• PreResQ-R1: Towards Fine-Grained Rank-and-Score Reinforcement Learning for Visual Quality Assessment via Preference-Response Disentangled Policy Optimization [12.993619998545633]
  PreResQ-R1はPreference-Response Disentangled Reinforcement Learningフレームワークである。 1つの推論駆動最適化スキームにおいて絶対スコア回帰と相対ランク一貫性を統一する。 10 IQA と 5 VQA のベンチマークにおいて、SRCC と PLCC のメトリクスで最先端の結果を得る。
  論文  参考訳（メタデータ） (2025-11-07T16:19:50Z)
• HiRQA: Hierarchical Ranking and Quality Alignment for Opinion-Unaware Image Quality Assessment [10.761579471650771]
  HiRQAは自己管理型の意見認識フレームワークで、ランキングと対照的な学習の組み合わせによって、階層的で品質を意識した埋め込みを提供する。 リアルタイムデプロイメントでは,画像当たり3.5ミリ秒の推論時間を持つ軽量版である textbfHiRQA-S を導入する。
  論文  参考訳（メタデータ） (2025-08-20T23:48:21Z)
• Refine-IQA: Multi-Stage Reinforcement Finetuning for Perceptual Image Quality Assessment [22.184690568393126]
  強化微調整(Reinforcement fine-tuning, RFT)は、LMMトレーニングのパラダイムである。 マルチステージ RFT IQA フレームワーク (-IQA) を提案する。 結果のRefine-IQAシリーズモデルは、知覚とスコアリングの両方で優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-04T22:46:10Z)
• 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)
• Adaptive Image Quality Assessment via Teaching Large Multimodal Model to Compare [99.57567498494448]
  我々はLMMに基づくノン参照IQAモデルであるCompare2Scoreを紹介する。 トレーニング中、同じIQAデータセットの画像を比較することで、スケールアップ比較命令を生成する。 9つのIQAデータセットの実験により、Compare2Scoreは、トレーニング中にテキスト定義の比較レベルを効果的にブリッジすることを確認した。
  論文  参考訳（メタデータ） (2024-05-29T17:26:09Z)
• When No-Reference Image Quality Models Meet MAP Estimation in Diffusion Latents [92.45867913876691]
  非参照画像品質評価(NR-IQA)モデルは、知覚された画像品質を効果的に定量化することができる。 NR-IQAモデルは、画像強調のための最大後部推定(MAP)フレームワークにプラグイン可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-11T03:35:41Z)
• Norm-in-Norm Loss with Faster Convergence and Better Performance for Image Quality Assessment [20.288424566444224]
  画像品質評価(IQA)モデルにおける損失関数の設計における正規化について検討する。 結果として生じるNorm-in-Normの損失は、主観的品質スコアに対する線形予測をIQAモデルに促す。 2つの関連するデータセットの実験では、MAEやMSEの損失と比較して、新しい損失はIQAモデルを約10倍の速度で収束させることが示されている。
  論文  参考訳（メタデータ） (2020-08-10T04:01:21Z)

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。