ICCVAug, 2021

MUSIQ: 多尺度图像质量转换器

PDF
TL;DR设计了一个多尺度图像质量 Transformer (MUSIQ)，它可以处理具有不同尺寸和长宽比的本机分辨率图像，通过多尺度表示，我们提出的方法可以捕捉不同粗细度的图像质量，并提出了一种基于哈希的二维空间嵌入和尺度嵌入，支持多尺度表示中的位置嵌入。实验结果验证了 MUSIQ 在多个大规模图像质量评估数据集上的最先进性能。
image quality assessmentconvolutional neural networksmusiqmulti-scalepositional embedding
发现论文，激发创造
  • 使用 Transformer 进行感知图像质量评估

    本文提出了一种图像质量转换器 (IQT)，成功地将变压器架构应用于感知全参考图像质量评估 (IQA) 任务。

    Apr, 2021

  • 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

  • 局部畸变感知的高效变形器适应图像质量评估

    通过在图像质量评估 (IQA) 领域中嵌入局部失真特征并利用更大的预训练模型，在只训练局部失真特征提取器和注入器的情况下，我们的方法在流行的 IQA 数据集上取得了最先进的性能，表明 IQA 不仅是一个低级问题，而且也能从大规模预训练模型中获益。

    Aug, 2023

  • TOPIQ：一种从语义到畸变的自上而下图像质量评估方法

    我们提出了一种顶部向下的方法，利用高层语义指导图像质量评估网络集中在具有语义重要性的局部失真区域，命名为 TOPIQ。我们的方法涉及设计一种启发式的粗到细网络（CFANet），它利用多尺度特征并以自上而下的方式逐步传播多级语义信息到低级表示。该方法的一个关键组成部分是我们提出的跨尺度注意力机制，该机制通过高层特征引导计算低层特征的注意力图。CFANet 可用于全参考（FR）和无参考（NR）图像质量评估，并且在大多数公开基准测试中相对于基于视觉变换器的现有方法取得了更好或有竞争力的性能。

    Aug, 2023

  • 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 Transformer 的无参考图像质量评估通过监督对比学习

    在这篇论文中，我们提出了一种基于监督对比学习与 Transformer 的图像质量评估模型 SaTQA，该模型通过 SCL 在大规模合成数据集上进行训练，从而提取出具有各种失真类型和水平的图像退化特征，并结合了 CNN 的归纳偏置和 Transformer 的长期依赖建模能力来进一步提取图像的失真信息，最终通过融合对比学习学到的退化特征和骨干网络提取的感知失真信息获取最终的失真图像质量得分。实验结果表明，SaTQA 在合成和真实数据集上都优于目前的最先进方法。

    Dec, 2023

  • 大型多模型协助 AI 生成图像质量评估

    利用深度神经网络对 AI 生成的图像进行质量评估存在挑战，我们引入了一个大型多模态模型辅助 AI 生成图像质量评估（MA-AGIQA）模型，通过文本提示敏锐感知语义信息并提取语义向量，并使用专家混合结构动态整合语义信息和传统 DNN 基于 IQA 模型提取的质量感知特征来解决当前 IQA 模型在语义感知方面的不足，实验证明 MA-AGIQA 在评估 AI 生成图像质量方面具有最先进的性能和出色的泛化能力。

    Apr, 2024

  • 图像质量评估的 Transformer

    本研究探究 Transformer 在图像质量评估（TRIQ）中的应用，通过在卷积神经网络（CNN）提取的特征图上使用浅层 Transformer 编码器，采用自适应位置嵌入来处理任意分辨率的图像，通过在公共图像质量数据库上研究 Transformer 不同设置来证明所提出的 TRIQ 架构具有出色的性能。

    Dec, 2020

  • MD-IQA: 学习多尺度分布式图像质量评估与半监督学习在低剂量 CT 中的应用

    通过引入多尺度分布回归方法、设计双分支对齐网络以及半监督学习，我们提出的方法在深度学习为基础的医学图像质量评估方面取得了显著的进展。

    Nov, 2023

  • MANIQA：用于无参考图像质量评估的多维度注意力网络

    提出了一种无参考图像质量评估方法：Multi-dimension Attention Network for no-reference Image Quality Assessment (MANIQA)。该方法在 GAN-based distortion 事件上具有更好的性能，通过使用 ViT 提取特征，提出了 Transposed Attention Block (TAB) 和 Scale Swin Transformer Block (SSTB) 这两种关注机制，使这些模块在多维方面促进图像不同区域的全局和本地交互，最后应用双分支结构来预测图像局部质量得分，并在四个标准数据集上（LIVE、TID2013、CSIQ 和 KADID-10k）表现出比先前最先进的方法更好的结果。

    Apr, 2022