(ASNA) 带有替身排序损失函数的基于注意力的孪生差异神经网络用于感知图像质量评估

May, 2021

(ASNA) 带有替身排序损失函数的基于注意力的孪生差异神经网络用于感知图像质量评估

(ASNA) An Attention-based Siamese-Difference Neural Network with Surrogate Ranking Loss function for Perceptual Image Quality Assessment

PDF

Seyed Mehdi Ayyoubzadeh, Ali Royat

TL;DR该论文提出了一种名为 Siamese-Difference 神经网络的卷积神经网络，采用扩展结构和注意力机制，以及附加的损失函数进行训练，该方法在 NTIRE 2021 感知图像质量评估挑战中表现卓越。

Abstract

Recently, deep convolutional neural networks (DCNN) that leverage the adversarial training framework for image restoration and enhancement have significantly improved the processed images' sharpness. Surprisingly

deep convolutional neural networks adversarial training perceptual image quality assessment quantitative metrics siamese-difference neural network

发现论文，激发创造

利用增强感知超分辨率网络分析感知 - 失真权衡

本研究中，我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块，通过结合均方误差损失、感知损失和对抗性损失训练我们的网络，以在失真和感知质量之间获得最佳权衡，从而实现更好的感官质量。

Nov, 2018

针对压缩感知 MRI 重建的对抗性和感知细化算法

该论文提出了一种基于 MSE 损失重建网络的可视改善组件，通过引入感知损失函数和对抗性损失函数，可以更好地平衡图像清晰度和对比度。同时，提出了一种语义可解释性评分，可对象地定量评估图像质量。在基于 8 倍下采样的大型心脏 MRI 数据集上的应用表明，该方法相比最新技术，在人类观察者研究和语义可解释性得分上均有显著提高。

Jun, 2018

使用感知相似度度量学习生成图像

通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

Nov, 2015

感知约束对抗攻击

该论文提出使用 SSIM 替代 $L_p$ 范数来衡量对抗性样本在图像分类中的感知质量，并表明这种方法比之前的方法更好，以及该方法可以用于评估防御方案的性能。

Feb, 2021

梯度孪生网络进行图像质量评估

本文介绍了一种名为 Gradient Siamese Network 的图像质量评估方法，使用中心微分卷积获取图像对之间的语义特征和细节差异并通过空间注意力引导网络集中在与图像细节相关的区域，通过多级融合方法改善了特征利用效率，并成功地将 KL 散度损失应用于图像质量评估任务。该算法在 NTIRE 2022 感知图像质量评估挑战的全参考轨道 1 中获得了第二名。

Aug, 2022

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

质量感知生成对抗网络

本文介绍了基于 GAN 的问题并提出了相应解决方案，使用了基于图片质量的评价算法 SSIM 和 NIQE 作为 GAN 正则化的指标，并提出了新的模型 WGAN-GP，在 CIFAR-10，STL10 和 CelebA 数据集上取得了最优性能。

Nov, 2019

RankIQA：基于排序学习的无参考图像质量评价

本文提出了一种从排名中学习的无参考图像质量评估方法（RankIQA）。采用合成的失真图像来训练 Siamese 网络，以排名的方式对图像质量进行评估，从而实现自动生成无需人工标注。通过微调，将训练有素的 Siamese 网络的知识转移至传统的 CNN，通过一次正向传递可以显著提高效率，并在 TID2013 基准测试中将结果提高了超过 5%。此外，在 LIVE 基准测试中，该方法也优于现有的 NR-IQA 技术，并在全参考 IQA（FR-IQA）方法中甚至超过现有技术，无需使用高质量的参考图像进行推断。

Jul, 2017

NASiam：使用神经架构搜索技术对孪生网络进行高效表示学习

文章介绍了一种名为 NASiam 的新方法，利用不同 iable NAS 技术改进了基于孪生网络的对比学习框架 (如 SimCLR、SimSiam 和 MoCo) 内的多层感知器投影和预测器 (编码器 / 预测器对) 结构，而保留了之前基线的简单性，提高了 ResNet 骨干卷积模型的效率，性能稳定，可应用于大规模图像分类数据集，且成本较低。

Jan, 2023

超越评分变化：从两个角度对无参考图像质量评估进行对抗攻击

深度神经网络在无参考图像质量评估中取得了令人印象深刻的成功，但最近的研究强调了 NR-IQA 模型对微小对抗扰动的脆弱性，导致模型预测与主观评分之间的不一致性。当前的对抗攻击忽视了整个图像集内得分之间的关联关系，本研究提出了一种基于关联误差的攻击框架，同时破坏图像集内的关联性和个体图像的得分变化。该研究主要关注 Spearman 等排名相关的关联度和 Mean Squared Error 等预测误差度量。通过实验证明，该方法显著破坏了 Spearman 相关系数并对个体图像的得分产生了明显的变化，同时在不同类别的指标上表现出了最先进的性能，为 NR-IQA 模型的鲁棒性提供了新的视角。

Apr, 2024