MMAug, 2020

基于规范化内积的损失函数在图像质量评估中具有更快的收敛速度和更好的性能

PDF
TL;DR通过对图像质量评估中的损失函数进行规范化处理，设计出了 “规范内规范” 损失函数，可以更加稳定和快速地进行目标预测和更好地评估野外图像的质量，并在相关数据集上展现了明显的优势。
image quality assessmentnormalizationloss functionlinear predictionsin-the-wild images
发现论文，激发创造
  • ProxIQA：一种基于代理的感知优化方法用于学习图像压缩

    本文介绍一种基于感知模型的优化框架，通过构建一个代理网络 (ProxIQA)，可以优化图像分析网络及图像压缩网络，从而在特定感知质量下，降低比特率的同时维持图像质量。

    Oct, 2019

  • 用梯度范数正则化防御无参考图像质量模型的对抗攻击

    通过提出一种防御方法，并建立正规化训练策略，我们实验了四个基线模型来降低对无参考图像质量评估模型的对抗攻击所造成的分数变化，从而提高其对抗攻击的鲁棒性。

    Mar, 2024

  • GMC-IQA: 利用全局相关性和主观一致性进行无参考图像质量评估

    通过构建一个新的损失函数和网络，本研究提出了一个 GMC-IQA 框架，综合了全局相关性和均值一致性，通过定义基于偏好的排序估计来解决非可微问题，并引入了队列机制来近似整个数据集的全局结果。实验证明，我们的方法在多个真实数据集上的准确性和泛化能力上优于其他方法，并且适应了多种网络，取得了更好的性能和更稳定的训练。

    Jan, 2024

  • 利用 Conformer 和 Blind Noisy Students 来改进图像质量评估

    探索基于 transformer 的全参考图像质量评估模型的性能，并提出了一种基于半监督知识蒸馏的 IQA 方法，使用嘈杂的伪标签数据将全参考教师模型蒸馏到盲学生模型中。在 NTIRE 2022 感知图像质量评估挑战中，我们的方法取得了竞争力的结果。

    Apr, 2022

  • 非回归式盲图像质量评估

    基于检索相似的图像实例来评估图像质量的无回归框架，包含语义分类模块和畸变分类模块，根据语义和畸变相似度检索多个图像实例并聚合主观质量评分，验证实验表明该模型显著优于基于回归的模型。

    Jul, 2023

  • 通过 MAP 估计在扩散潜变量中比较无参考图像质量模型

    现代无参考图像质量评估（NR-IQA）模型可以有效量化感知图像质量，在固定测试集上模型预测与人类感知评分之间存在高相关性。然而，在从感知优化的角度比较 NR-IQA 模型方面几乎没有取得进展。本文首次证明 NR-IQA 模型可以被插入到最大后验估计（MAP）框架用于图像增强，通过在可微且双射的扩散隐变量而不是原始像素域中进行梯度运算。不同的 NR-IQA 模型可能导致不同的增强图像，最终需要经过感知测试。这为在合成分析框架内比较 NR-IQA 模型提供了一种新的计算方法。与传统基于相关性的度量方法相比，我们的方法在感知优化的背景下提供了互补的洞察力，用于评估竞争的 NR-IQA 模型的相对优点和缺陷。

    Mar, 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

  • 通过教授大型多模态模型进行自适应图像质量评估

    通过 Compare2Score 模型，我们成功地将文本定义的比较级别与转换后的单个图像质量得分进行了有效的联系，不仅在训练过程中有效地使用了丰富的图像质量评估数据集，而且在推理过程中通过概率矩阵自适应地转换了离线图像到连续质量得分的比较级别，从而成功超越了目前最先进的图像质量评估模型。

    May, 2024

  • 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

  • Re-IQA: 野外图像质量评估的无监督学习

    本文提出了一种混合专家方法来进行自动感知图像质量评估，使用 Re-IQA 框架训练两个独立的编码器来学习高级和低级图像特征，并使用得到的图像表示来训练线性回归模型以提高评估准确性。实验表明，深度神经网络在无监督设置下训练可以产生具有感知相关性的表示。

    Apr, 2023