論文の概要: A Subjective Study on a New Sharpness Informed Class of Metrics

• arxiv url: http://arxiv.org/abs/2608.13989v1
• Date: Fri, 14 Aug 2026 06:11:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.293161
• Title: A Subjective Study on a New Sharpness Informed Class of Metrics
• Title（参考訳）: 新しいシャープネスインフォームドメトリックの主観的研究
• Abstract要約: 本研究では, 4プロトコール手法を用いて, シャープネスを目標とした, 損失のないトレーニングモデルについて検討した。 差分平均オピニオンスコア(DMOS)とともに、均一なシャープさを持つ画像の新しいデータセットを導入する。 その結果,2項比較の67%では,シャープネスを意識した複合損失を用いて復元した画像が好ましいことがわかった。
• 参考スコア（独自算出の注目度）: 0.3499870393443268
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Perceptual loss functions in Deep Neural Network (DNN) deblurring architectures improve the overall quality of restored images. However, few focus on explicitly targeting sharpness in the restorations. We conduct a subjective study of models trained with and without losses which explicitly target sharpness using a four-protocol approach, exploring preferred sharpness levels and effects on image quality. We introduce a novel dataset of images with uniform sharpness increments along with Difference Mean Opinion Scores (DMOS). Additionally, we propose a novel class of Sharpness Informed (SI) Image Quality Assessment (IQA) metrics which properly penalize over-sharpening. Our new SI-PSNR metric outperforms all other PSNR variants in terms of correlation statistics on IQA benchmarking datasets. We show that, on average, images restored using a sharpness-aware composite loss are preferred in 67% of binarized comparisons, as opposed to losses that do not explicitly target sharpness.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)デブロアリングアーキテクチャにおける知覚損失関数は、復元された画像の全体的な品質を改善する。 しかし、修復の鋭さを明確に狙ったものはほとんどなかった。 本研究では, 4プロトコールアプローチを用いて, シャープネスを明示的に目標とし, 優先的なシャープネスレベルと画像品質への影響を探索するモデルについて主観的研究を行った。 本稿では,一様シャープさを増した画像の新たなデータセットと,差平均オピニオンスコア(DMOS)について紹介する。 さらに, 過負荷を適切に補償する, シャープネスインフォームド(SI)画像品質評価(IQA)指標の新たなクラスを提案する。 我々の新しいSI-PSNRメートル法は、IQAベンチマークデータセットの相関統計量の観点から、他のPSNR変種よりも優れています。 以上の結果から, シャープネスを意識した複合損失を用いて復元した画像は, シャープネスを目標としない損失に対して, バイナライズされた比較の67%に好適であることが示唆された。

関連論文リスト

• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• Augmenting Perceptual Super-Resolution via Image Quality Predictors [10.586351810396645]
  超解像 (SR) は本質的に不備であり、全ての入力に対して可解解の分布を誘導する。 本研究では、SRコンテキストにおける強力な非参照画像品質評価(NR-IQA)モデルを活用する方法を検討する。 本研究は,非知覚的画素方向の歪みに焦点をあてるよりも,知覚的忠実度と人為的NR-IQA測定とのバランスを改善することを目的とした,より人間中心の知覚歪みのトレードオフを示すものである。
  論文  参考訳（メタデータ） (2025-04-25T17:47:38Z)
• A Sharpness Based Loss Function for Removing Out-of-Focus Blur [0.6827423171182154]
  微調整法では、知覚品質が7.5%上昇した画像を生成する。 最先端(SOTA)法では,Qが6.7%増加し,PSNRが7.25%増加した。
  論文  参考訳（メタデータ） (2024-08-12T08:59:56Z)
• 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)
• 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)
• Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
  知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。 本研究では,変換器を用いた全参照IQAモデルの性能について検討する。 また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
  論文  参考訳（メタデータ） (2022-04-27T10:21:08Z)
• Non-Reference Quality Monitoring of Digital Images using Gradient Statistics and Feedforward Neural Networks [0.1657441317977376]
  デジタル画像の品質を評価するために,非参照品質指標を提案する。 提案手法は,提案手法よりも高速で,画像系列の品質評価に利用することができる。
  論文  参考訳（メタデータ） (2021-12-27T20:21:55Z)
• Learning Transformer Features for Image Quality Assessment [53.51379676690971]
  本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。 提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
  論文  参考訳（メタデータ） (2021-12-01T13:23:00Z)
• 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)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)
• (ASNA) An Attention-based Siamese-Difference Neural Network with Surrogate Ranking Loss function for Perceptual Image Quality Assessment [0.0]
  画像復元と拡張のための逆訓練フレームワークを利用する深層畳み込みニューラルネットワーク(dcnn)は、処理された画像のシャープさを大幅に改善した。 イメージの知覚品質とよく一致したパフォーマンスを反映した定量的指標を開発する必要がある。 本稿では,従来のSiameseネットワークの拡張アーキテクチャを用いた畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-05-06T09:04:21Z)

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。