論文の概要: BiCG-Net: Target-Specific Image Quality Assessment via Observation Modeling and In-Image Differencing

• arxiv url: http://arxiv.org/abs/2611.06203v1
• Date: Wed, 04 Nov 2026 09:20:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.03925
• Title: BiCG-Net: Target-Specific Image Quality Assessment via Observation Modeling and In-Image Differencing
• Title（参考訳）: BiCG-Net:オブザーバ・モデリングとイン・イメージ・ディフレクションによる画像品質評価
• Abstract要約: 画像全体ではなく、画像中の特定の対象領域の質を推定する。 これは、11人の教師のアンサンブルを線形観測モデルで蒸留する学生ネットワークであるBiCG-Netを動機付けている。 CSIQ と LIVEC では、学生は人間の MOS に対して 0.9009 と 0.9133 の PLCC に達し、最高の教師と教師のコンセンサスを上回っている。
• 参考スコア（独自算出の注目度）: 6.780768456581552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We estimate the quality of a specific target region (e.g., a train body) in an image, rather than the whole image. This differs fundamentally from whole-image No-Reference Image Quality Assessment (NR-IQA): when the target occupies a small fraction of the frame, the whole-image score is dominated by background, and no public benchmark provides target-level human Mean Opinion Score (MOS). We estimate target quality via nested sampling - a sequence of patches expanding outward from the target box - and infer quality from the relative structure of this sequence. This motivates BiCG-Net, a student network that distills an 11-teacher ensemble through a linear observation model and an in-image differencing mechanism, which provably cancels the target term and teacher-specific bias. We train and test the student independently on each dataset, and evaluate zero-shot transfer across benchmarks. On CSIQ and LIVEC, the student reaches PLCCs of 0.9009 and 0.9133 against human MOS, exceeding the best single teacher and the teacher consensus. On a self-built MOS-free railway dataset, the student reaches a PLCC of 0.9855 against a weak label. The student exceeds its teachers because it learns a new mapping from the relative structure of teacher readings to the ground-truth label, rather than mimicking them. Residual analysis on CSIQ and LIVEC shows the prediction residual is significantly correlated with background contamination, teacher dispersion, and label extremity, demonstrating the student extracts information the consensus does not contain. Under CSIQ-to-LIVEC transfer, the frozen student reaches a PLCC of 0.8416, exceeding the consensus by 0.1947. We position BiCG-Net as an offline target-level quality auditing and label-generation engine; its 39,482-parameter student is compact by design, acting as a unifying layer mapping heterogeneous teacher readings onto a common quality scale.
• Abstract（参考訳）: 我々は、画像全体ではなく、画像中の特定の対象領域(例えば、列車体)の質を推定する。 非参照画像品質評価(NR-IQA)とは基本的に異なり、ターゲットがフレームのごく一部を占める場合、全画像スコアは背景によって支配され、ターゲットレベルの人間平均オピニオンスコア(MOS)を提供する公開ベンチマークは存在しない。 対象箱から外側へ拡大するパッチのシーケンスであるネストサンプリングを用いて目標品質を推定し,このシーケンスの相対構造から品質を推定する。 これは、線形観察モデルと画像内差分機構を通じて11人の教師のアンサンブルを蒸留する学生ネットワークであるBiCG-Netを動機付け、目標項と教師固有のバイアスを確実にキャンセルする。 私たちは、各データセットで学生を独立して訓練し、テストし、ベンチマーク間でゼロショット転送を評価します。 CSIQ と LIVEC では、学生は人間の MOS に対して 0.9009 と 0.9133 の PLCC に達し、最高の教師と教師のコンセンサスを上回っている。 自作のMOSフリー鉄道データセットでは、学生は弱いラベルに対してPLCC 0.9855に達する。 生徒は、教師の読みの相対的な構造から、それを模倣するのではなく、地味なラベルへの新たなマッピングを学ぶため、教師を超越している。 CSIQ と LIVEC の残差分析では,予測残差が背景汚染,教師の分散,ラベルの極端さと著しく相関し,学生がコンセンサスを含まない情報を抽出することを示す。 CSIQ-to-LIVEC転送では、凍った学生のPLCCは0.8416に達し、コンセンサス0.1947を超えている。 39,482パラメータの学生は設計によってコンパクトであり、異種教師の読み書きを共通の品質尺度に統一した層として機能する。

関連論文リスト

• A Better Critic Matters for Distribution Matching Distillation [42.0794155776286]
  分散マッチング蒸留(DMD)は、教師の得点とオンライン評論家の学生の得点の推定値との差を利用して、数ステップの学生を訓練する。 我々は、批評家が信頼できる訓練信号を提供するために、能力と情報において何を必要としているかを調査する。
  論文  参考訳（メタデータ） (2026-10-30T17:58:26Z)
• Compression of Vision Foundation Models for Retinal OCT via Growing-Neural-Gas Codebooks and Graph-Guided Masked Image Modeling [1.4954477154912078]
  本稿では,連続基盤モデルを個別のコードブックに蒸留するトポロジ対応の離散化フレームワークを提案する。 これはGrowing Neural Gasによる勾配なしのコードブック学習を組み合わせることで、コードに隣接したグラフを生成する。 Vision Transformer(ViT-Base)と網膜(MIRAGE)と自然像(DINOv3)の2つの教師と連携する。 これらの結果は、OCTデータセット、デバイス、臨床タスク間での移動、配置に適したコンパクト網膜モデルをもたらす。
  論文  参考訳（メタデータ） (2026-10-23T22:27:25Z)
• Zero-Shot Vision-Language Models for Classroom Engagement Recognition: A Benchmark Study of Prompt Sensitivity and Cross-Dataset Generalization [0.44787896002954924]
  広範に使われている5つの視覚言語モデル(VLM)を評価する。 本実験では, エンゲージメント認識のためのゼロショットVLMの3つの主要な故障モードを明らかにした。
  論文  参考訳（メタデータ） (2026-06-20T03:53:40Z)
• CTFS : Collaborative Teacher Framework for Forward-Looking Sonar Image Semantic Segmentation with Extremely Limited Labels [30.791746870147037]
  本稿では,前向きなソナー画像のための協調教師セマンティックフレームワークを提案する。 指導戦略を交互に行うことで、学生モデルはソナー画像の特徴を同時に捉えながら、一般的な意味表現を学習することができる。 教師が大量のノイズのある擬似ラベルを生成できるソナー画像の課題を考慮し、さらに教師間の信頼性評価機構を設計する。
  論文  参考訳（メタデータ） (2026-03-22T05:57:36Z)
• Semi-Supervised Multi-Task Learning for Interpretable Quality As- sessment of Fundus Images [0.1265345507370037]
  網膜画像品質評価(RIQA)は、眼疾患のコンピュータ支援診断を支援する。 ほとんどのツールは、画像の全体的な品質のみを分類するが、再キャプチャーをガイドするための取得欠陥は示さない。 本稿では,マルチタスクフレームワーク内で,手動による品質ラベルと品質詳細の擬似ラベルを併用した半教師付きハイブリッド学習手法を提案する。
  論文  参考訳（メタデータ） (2025-11-17T13:17:42Z)
• Efficient Face Image Quality Assessment via Self-training and Knowledge Distillation [51.43664253596246]
  顔画像品質評価(FIQA)は、様々な顔関連アプリケーションに不可欠である。 我々は,現実のアプリケーションに容易に展開可能な計算効率の良いFIQA手法の開発を目指している。
  論文  参考訳（メタデータ） (2025-07-21T15:17:01Z)
• Masked Unsupervised Self-training for Zero-shot Image Classification [98.23094305347709]
  Masked Unsupervised Self-Training (MUST)は、疑似ラベルと生画像という2つの異なる、補完的な監督源を活用する新しいアプローチである。 MUSTはCLIPを大きなマージンで改善し、教師なしと教師なしの分類のパフォーマンスギャップを狭める。
  論文  参考訳（メタデータ） (2022-06-07T02:03:06Z)
• Bag of Instances Aggregation Boosts Self-supervised Learning [122.61914701794296]
  教師なし学習のための簡易かつ効果的な蒸留戦略を提案する。 BINGOと呼ばれる本手法は,教師が学習した関係を学生に伝達することを目的としている。 BINGOは、小規模モデルにおける最先端の新たなパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-07-04T17:33:59Z)
• Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification [54.58165777717885]
  本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。 マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2021-05-11T04:09:49Z)

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。