論文の概要: MetaRefine: Score Refinement with Multi-Level Features for Image Assessment

• arxiv url: http://arxiv.org/abs/2610.40487v1
• Date: Thu, 29 Oct 2026 17:15:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.119472
• Title: MetaRefine: Score Refinement with Multi-Level Features for Image Assessment
• Title（参考訳）: MetaRefine:画像アセスメントのためのマルチレベル機能付きスコアリファインメント
• Abstract要約: メタデータを意識したスコア改善アーキテクチャであるMetaRefineを紹介する。 幾何、多段階の視覚的特徴、凍結モデルのオリジナルスコアからスコアの補正を予測する。 90の配置でMAEを、89のRMSEを減らし、それぞれ23.27%と21.93%の相対的な減少がある。
• 参考スコア（独自算出の注目度）: 12.039203497229565
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: An image's original dimensions, aspect ratio, and composition provide important cues that can affect its technical and aesthetic quality. Image assessment methods use resizing, cropping, padding, or patch sampling to accommodate different input sizes. However, these operations can alter or obscure original geometric and compositional cues. Existing assessment models also encode rich multi-level visual evidence that can be further extracted and exploited to improve existing models. This motivates us to combine visual evidence with original-image geometry for score refinement without changing the original scoring pipelines. In this paper, we introduce MetaRefine, a metadata-aware score refinement architecture whose lightweight residual heads predict score corrections from geometry, multi-level visual features, and the frozen model's original score. Across 100 configurations on 21 datasets, MetaRefine improves PLCC in 88 configurations and SRCC in 85, with average relative gains of 7.55% and 7.10%, respectively. It reduces MAE in 90 configurations and RMSE in 89, with average relative reductions of 23.27% and 21.93%, respectively. The median parameter overhead is only 1.11%. MetaRefine can further improve state-of-the-art (SOTA) assessment models on multiple benchmarks.
• Abstract（参考訳）: 画像の原次元、アスペクト比、構成は、その技術的および美的品質に影響を与える重要な手がかりを提供する。 画像評価方法は、異なる入力サイズに対応するために、リサイズ、トリミング、パディング、パッチサンプリングを使用する。 しかし、これらの操作は、元の幾何学的および構成的手がかりを変更したり、曖昧にすることができる。 既存のアセスメントモデルは、さらに抽出され、既存のモデルを改善するために利用される、豊富な多段階の視覚的証拠を符号化する。 これにより、元のスコアパイプラインを変更することなく、視覚的エビデンスとスコアリファインメントのためのオリジナルイメージ幾何を組み合わせることができる。 本稿では,メタレファイン(MetaRefine)について紹介する。メタレファイン(MetaRefine)は,軽量な残差頭部が幾何,多面的な視覚的特徴,凍結モデルのオリジナルスコアからスコアの補正を予測できるメタデータ対応スコア改善アーキテクチャである。 21のデータセット上の100構成中、MetaRefineは88構成のPLCCと85構成のSRCCを改善し、それぞれ7.55%と7.10%の平均的な相対的なゲインを達成している。 90の配置でMAEを、89のRMSEを減らし、それぞれ23.27%と21.93%の相対的な減少がある。 平均パラメータのオーバーヘッドは1.11%である。 MetaRefineは、複数のベンチマークにおける最先端(SOTA)アセスメントモデルをさらに改善することができる。

関連論文リスト

• Scaling Vision-Language Models Is Not Enough to Mitigate Bias [17.05392655320793]
  VLM(Vision-Language Models)は、現在ではマルチモーダルシステムの基礎となっているが、素早い相関に対する頑健さは、大規模にはあまり理解されていない。 本報告では, モデルサイズ, 24 のトレーニングデータセット, 3 つの評価ベンチマークを対象とし, 194 の公開 VLM に関する大規模な実証的研究を行った。
  論文  参考訳（メタデータ） (2026-07-30T13:49:16Z)
• Stylized Synthetic Augmentation further improves Corruption Robustness [4.206961078715932]
  本稿では,合成画像データとニューラルスタイル転送を組み合わせたトレーニングデータ拡張パイプラインを提案する。 合成画像にスタイル転送を適用すると、一般的なFrechet Inception Distanceメトリックに対して品質が低下するが、これらの画像はモデルトレーニングに驚くほど有益であることを示す。
  論文  参考訳（メタデータ） (2025-12-17T18:28:04Z)
• PoseGAM: Robust Unseen Object Pose Estimation via Geometry-Aware Multi-View Reasoning [49.66437612420291]
  PoseGAMは、クエリ画像と複数のテンプレート画像からオブジェクトのポーズを直接予測する幾何学的なマルチビューフレームワークである。 多様な環境条件下で190k以上のオブジェクトを含む大規模合成データセットを構築した。
  論文  参考訳（メタデータ） (2025-12-11T17:29:25Z)
• Exploring the Hierarchical Reasoning Model for Small Natural-Image Classification Without Augmentation [51.56484100374058]
  MNIST、CIFAR-10、CIFAR-100で意図的に生の条件下で評価される。 拡張性のない小型画像分類では、HRMは単純な畳み込みアーキテクチャと競合するものではないと結論付けている。
  論文  参考訳（メタデータ） (2025-10-04T01:22:41Z)
• Hybrid Image Resolution Quality Metric (HIRQM):A Comprehensive Perceptual Image Quality Assessment Framework [0.0]
  本稿では,HIRQM(Hybrid Image Resolution Quality Metric)を提案する。 動的重み付け機構は、輝度や分散といったイメージ特性に基づいてコンポーネントのコントリビューションを適応し、歪みタイプ間の柔軟性を向上させる。 TID2013とLIVデータセット、HIRQMピアソンとスピアマンの相関を0.92と0.90と評価し、従来の指標を上回った。
  論文  参考訳（メタデータ） (2025-05-04T06:14:10Z)
• Restore Anything Model via Efficient Degradation Adaptation [129.38475243424563]
  RAMは、様々な劣化にまたがる固有の類似性を活用して、効率的で包括的な復元を可能にする統一された経路を取る。 RAMのSOTA性能はRAMのSOTA性能を確認し、トレーニング可能なパラメータで約82%、FLOPで約85%のモデルの複雑さを減少させる。
  論文  参考訳（メタデータ） (2024-07-18T10:26:53Z)
• Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
  上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。 提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T06:50:27Z)
• Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
  浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。 私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。 提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-08-01T03:44:56Z)
• Segmentation of Weakly Visible Environmental Microorganism Images Using Pair-wise Deep Learning Features [7.837413642215894]
  本研究では,Pairwise Deep Learning Feature Network (PDLF-Net)を提案する。 PDLFを使用することで、各画像の対角深層学習機能をベースモデルのSegNetの異なるブロックに結合することにより、ネットワークはフォアグラウンド(EM)にもっと集中することができる。 PDLF-Netは89.24%、63.20%、77.27%、35.15%、89.72%、91.44%、89.30%という優れたセグメンテーション結果を達成する。
  論文  参考訳（メタデータ） (2022-08-31T16:37:52Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)

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。