Dec, 2018

无参考颜色图像质量评估：从熵到感知质量

PDF
TL;DR本文提出了一种名为基于熵的无参考图像质量评估（ENIQA）的方法，该方法结合空间域和频率域的熵和互信息等特征，并使用支持向量分类器和回归进行质量预测和失真分类，能够评估各种失真图像的质量，且具有低复杂度和优秀的性能。该方法在 LIVE 和 TID2013 数据库上的实验结果表明其具有高度的客观和主观评估一致性，且有很好的泛化能力。
发现论文，激发创造
  • 利用对比度增强进行无参考对比度失真图像质量评估

    本文提出了一种针对对比度失真的简单而有效的度量标准，利用结构相似性指数 (SSIM) 、基于直方图的熵和交叉熵等方法综合评估图像质量，进而学习回归模块以预测质量得分。

    Apr, 2019

  • 适用于数据高效、无参考图像质量评估的学习通用感知表示

    无参考图像质量评估中，无监督学习的质量表示具有广泛的扭曲捕捉能力，并通过视觉语言模型提取高层次的图像质量信息，将这两组特征结合训练简单回归器有效预测质量，并展示了这些特征在数据有效和零样本情况下的优越性能。

    Dec, 2023

  • UNIQA：面向完全参考和无参考图像质量评估的统一框架

    设计了一个用于全参考和无参考图像质量评价的统一网络，通过语义影响建模来提高性能，并且在各种数据集上超越了相关的最先进方法。

    Oct, 2023

  • 自适应特征选择在无参考图像质量评估中的应用：对比缓解语义噪声敏感性

    使用对比学习方法的质量感知特征匹配图像质量评估度量 (QFM-IQM)，通过对具有相似语义特征但质量得分不同的图像对进行比较，以自适应地调整上游任务的特征，移除有害特征并通过蒸馏方法提高模型的泛化能力，在 8 个标准 NR-IQA 数据集上实现了优越的性能。

    Dec, 2023

  • 使用大数据学习增强图像的无参考质量评估模型

    本文研究了通过机器学习进行图像质量评估和增强的问题，并开发了一个新的无参考图像质量评估模型和一个基于质量优化的强大的图像增强框架。

    Apr, 2019

  • 一种基于查询的黑盒方法探索无参考图像质量评估模型的漏洞

    本文提出了一种基于查询的黑盒攻击方法，通过使用多个分数边界和人类视觉系统的特性，使得攻击方法能够有效地测试无参考图像质量评估方法的稳健性。实验证明，该攻击方法优于其他先进方法，并揭示了 NR-IQA 在黑盒攻击下的脆弱性，同时为进一步研究 NR-IQA 的稳健性提供了有力工具。

    Jan, 2024

  • 交叉 IQA: 无监督学习图像质量评估

    提出了一种基于 Vision Transformer (ViT) 模型的无参考图像质量评估 (NR-IQA) 方法 Cross-IQA，可以从无标签图像数据中学习图像质量特征，并利用预训练的编码器进行线性回归模型的微调，实现了对图像的低频降级信息（如颜色变化、模糊等）的先进性能评估。

    May, 2024

  • 基于知识蒸馏的内容相关参考图像质量评估

    本文提出了一种基于知识蒸馏的内容变异参考方法（CVRKD-IQA），通过使用不对齐的高质量图像引入各种先验分布，并通过知识蒸馏从全参照教师向 NAR 学生传输更多的高质量 - 低质量分布差异信息，从而实现更好的图像质量评估。

    Feb, 2022

  • 透過對抗學習實現的畫面虛擬感知品質評估：無需參考圖像

    本文介绍了一种基于幻觉引导的质量回归网络来解决无参考图像质量评估问题，其中幻觉引导的参考图像和失真图像的信息会被发送至回归器进行学习，从而实现了有效的质量预测。实验证明该方法明显优于现有的最先进方法。

    Apr, 2018

  • 基于压缩采样的 S-IQA 图像质量评估

    利用压缩采样的图像质量评估方法 (S-IQA) 提出了一个新的框架，其中包括灵活采样模块、自适应嵌入模块和双分支模块，通过这个方法在各种数据集上实现了最先进的结果。

    Apr, 2024