論文の概要: Learning Where to Look and How to Judge: Resolution-agnostic Image Quality Assessment with Quality-aware Saliency
- arxiv url: http://arxiv.org/abs/2608.01730v1
- Date: Mon, 03 Aug 2026 05:54:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 21:56:46.378293
- Title: Learning Where to Look and How to Judge: Resolution-agnostic Image Quality Assessment with Quality-aware Saliency
- Title（参考訳）: 視線と判断方法の学習:品質を意識した画像品質評価
- Abstract要約: No-Reference Image Quality Assessment (NR IQA)は、最近ディープモデルとマルチモーダルモデルから恩恵を受けている。
textbfImage textbfQuality with textbfSaliency に対する textbfResolution-agnostic textbfLearning のモデルである textbfReLIQS を提案する。
ReLIQSはCLIPベースのマルチスケールパッチ駆動アーキテクチャで、品質を判断するための見地と見地の両方を学ぶ
- 参考スコア（独自算出の注目度）: 1.6806593639401994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: No-reference image quality assessment (NR IQA) has recently benefited from deep and multimodal models, yet many SOTA systems still violate at least one basic requirement: they either discard critical quality cues via aggressive resizing, fail to generalize across resolutions, cannot be jointly trained on heterogeneous IQA datasets with mismatched MOS scales, or require prohibitive computation. We present \textbf{ReLIQS}, a model for \textbf{Re}solution-agnostic \textbf{L}earning for \textbf{I}mage \textbf{Q}uality with \textbf{S}aliency, which is resolution-agnostic, preserves original-resolution quality cues, learns from multiple subjective studies, and remains computationally efficient and budget-adaptive. ReLIQS is a CLIP-based multiscale patch-driven architecture that learns both \emph{where to look} and \emph{how to judge} quality. Fixed-size patches are sampled across multiple resolutions, including the original resolution, and encoded with a CLIP vision backbone. A lightweight Perceptual Importance Estimator then predicts IQA-specific importance maps to select a small set of informative patches, and a Latent Quality Axis Module aggregates their embeddings into a single image-level score. Across authentic, synthetic, and AIGC benchmarks spanning diverse resolutions and distortions, ReLIQS generalizes better than strong CNN-, CLIP-, and MLLM-based baselines with matching or reduced computational cost.
- Abstract（参考訳）: 非参照画像品質評価(NR IQA)は、最近ディープモデルとマルチモーダルモデルから恩恵を受けているが、多くのSOTAシステムは少なくとも1つの基本的な要件に違反している。
本稿では, 解像度に依存しない, オリジナル解像度のクオリティキューを保存し, 複数の主観的研究から学習し, 計算効率と予算順応性を維持した, \textbf{I}mage \textbf{Q}uality に対する \textbf{Re}solution-agnostic \textbf{L}earning のモデルである \textbf{ReLIQS} を提案する。
ReLIQSはCLIPベースのマルチスケールのパッチ駆動アーキテクチャで、 \emph{where to look} と \emph{how to judge} の品質を学習する。
修正サイズのパッチは、オリジナルの解像度を含む複数の解像度でサンプリングされ、CLIPビジョンバックボーンでエンコードされる。
軽量のPerceptual Importance EstimatorはIQA固有の重要度マップを予測して、少数の情報パッチを選択し、Latent Quality Axis Moduleは埋め込みを単一の画像レベルスコアに集約する。
さまざまな解像度と歪みにまたがる、真正、合成、AIGCベンチマーク全体にわたって、ReLIQSは、マッチングや計算コストの削減による、強力なCNN-、CLIP-、MLLMベースのベースラインよりも優れた一般化を実現している。
関連論文リスト
- Low-Quality Face Recognition using Center Aligned Representations and Local Margin Constraints [1.0885910878567457]
低品質顔認証(LQFR)は、低品質(LQ)入力画像と劣化したクエリ(プローブ)画像のマッチングが困難であるため、依然として困難である。
1)モデルの識別環境から直接サンプルごとの難易度を推定するローカル確率マージン(LPM)、(2)選択したトランスフォーマー層に自己保持機構を組み込んだ新しい低ランクアダプタモジュールであるNested Attention Module(NAM)、(3)既製の画像品質推定器がアダプタコントリビューションを変調する品質ゲーティングプロトコル(QGP)の3つの主要なコンポーネントを組み合わせた統合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-01T10:04:12Z) - Q-Probe: Scaling Image Quality Assessment to High Resolution via Context-Aware Agentic Probing [10.754977682331855]
シンキング・ウィズ・イメージ」パラダイムは、自然界の深みをアーティファクトとして誤解し、刺激的な「クロール・インプリーズ・デグラデーション」バイアスを誘発する。
Q-Probeは,IQAを文脈認識型探索により高分解能に拡張するために設計された,最初のエージェント型IQAフレームワークである。
Q-Probeは、高解像度設定で最先端の性能を実現し、解像度スケールで優れた効率を維持する。
論文 参考訳（メタデータ） (2026-01-21T08:02:32Z) - 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) - Structural Similarity in Deep Features: Image Quality Assessment Robust to Geometrically Disparate Reference [22.323905448096284]
上記の問題に対処する統合型非学習型Deep Structure similarity (DeepSSIM) アプローチを提案する。
提案手法は,AR-IQAデータセット上での最先端性能を実現し,各種GDR-IQAテストケースに対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2024-12-27T09:51:23Z) - Few-Shot Image Quality Assessment via Adaptation of Vision-Language Models [93.91086467402323]
Gradient-Regulated Meta-Prompt IQA Framework (GRMP-IQA) は、視覚言語事前学習モデルのCLIPをIQAタスクに効率よく適応させるように設計されている。
GRMP-IQAは、 (i) Meta-Prompt 事前学習モジュールと (ii) Quality-Aware Gradient Regularization の2つのコアモジュールから構成される。
論文 参考訳（メタデータ） (2024-09-09T07:26:21Z) - Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。
Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。
コントリビューションの中心は、QGround-100Kデータセットの導入です。
論文 参考訳（メタデータ） (2024-07-24T06:42:46Z) - Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。
十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。
近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。
本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
論文 参考訳（メタデータ） (2024-04-23T11:45:32Z) - Quality-Aware Image-Text Alignment for Opinion-Unaware Image Quality Assessment [8.431867616409958]
No-Reference Image Quality Assessment (NR-IQA) は、高画質の参照画像が利用できない場合に、人間の知覚に合わせて画像品質を測定する方法に焦点を当てている。
最先端のNR-IQAアプローチの多くは意見認識であり、トレーニングには人間のアノテーションが必要である。
人間の意見を必要としないCLIPベースの自己管理型意見認識アプローチであるQuariCLIPを提案する。
論文 参考訳（メタデータ） (2024-03-17T11:32:18Z) - 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) - Learning Generalizable Perceptual Representations for Data-Efficient
No-Reference Image Quality Assessment [7.291687946822539]
最先端のNR-IQA技術の大きな欠点は、多数の人間のアノテーションに依存していることである。
低レベルな特徴の学習を、新しい品質に配慮したコントラスト損失を導入することで、歪みタイプの学習を可能にする。
両経路からゼロショット品質の予測を、完全に盲目な環境で設計する。
論文 参考訳（メタデータ） (2023-12-08T05:24:21Z) - KonX: Cross-Resolution Image Quality Assessment [6.658103076536836]
本研究は,この2つの問題を,KonXを介して別々に検討した最初の研究である。
対象のIQA法はスケールバイアスを有しており,予測性能が低下することを示す。
本稿では,従来のIQAモデルよりも高性能なマルチスケール・マルチカラムアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-12-12T10:23:48Z) - Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。
本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。
以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文 参考訳（メタデータ） (2021-10-25T21:01:00Z)
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。