深度感知度量用于图像质量评估的研究
本文提出了一种基于深度元学习的无参考图像质量评估指标,通过收集多种失真的图像任务,在元学习的基础上,学习人类评估图像质量时所共享的元知识,以适应未知的失真,进而优化质量先验模型,进行目标无参考图像质量评估,结果表明这种方法优于现有技术,并且所学习的元模型还可轻松推广到真实 - world 应用中。
Apr, 2020
本文介绍了最新的反感知 (IR) 算法基于生成对抗网络 (GANs),但其定量评估与视觉感知质量存在不一致性。为了回答现有的 IQa 方法能否客观评价最近的 IR 算法和促进 IQa 方法的发展,作者提出了一个大规模的 IQa 数据集 PIPAL,并针对 GAN 基础的 IR 算法,提出了一些新的基准方法和对空间错位改进的 IQa 网络。
Nov, 2020
提出了一种基于深度学习的方法,包含两个 CNN 子单元的深度架构,以及一个自行收集的包含自然扭曲的图像的图像库 BIQ2021,用于模型训练和验证。通过在多个数据集上的实验,证明了该方法的性能和广泛的泛化性能。
May, 2023
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
该研究是一个大规模实证研究,旨在评估 ImageNet 分类器在感知相似性方面的表现。结果发现,尽管现代化的网络模型(如 ResNets、EfficientNets 和 Vision Transformers)在 ImageNet 分类方面表现良好,但它们在感知相似性上的表现较差。然而,该研究还发现,仅在 ImageNet 上训练少于 5 个时期的浅层 ResNets 和 ResNets 的感知得分,可与直接在监督人类感知判断上训练的最佳网络相匹配。
Mar, 2022
该论文介绍了一个名为 PyTorch Image Quality (PIQ) 的库,旨在实现最流行的现代图像质量评估算法,并且经过验证可以可靠地实施。同时,该论文还介绍了该库的原理、评估策略、性能测试和 GPU 加速的优势。
Aug, 2022
通过结合信息理论目标函数的最新进展和基于人类视觉系统的计算体系结构,以及对成对视频帧进行无监督训练,我们提出了感知信息度量(PIM),并在 BAPPS 图像质量评估数据集上证明 PIM 与监督度量相媲美,且在 CLIC 2020 的图像压缩方法排名预测方面优于监督度量,同时使用 ImageNet-C 数据集进行定性实验,证明 PIM 在架构细节方面具有鲁棒性。
Jun, 2020
通过采用深度感知相似度测量(DeePSiM)来代替在图像空间中计算距离,我们的研究表明,此类损失函数能够更好地反映图像的感知相似度,从而减少图像平滑问题,并且在自编码器训练、变分自编码器的修改以及深度卷积网络的反演三种应用场景中表现出令人印象深刻的生成结果。
Feb, 2016
通过实验发现基于深度学习的图像处理方法中的感知相似度可以对大多数经典感知度量方法取得更加优秀的表现。该结论并不仅仅针对于在 ImageNet 数据集上训练的 VGG 特征,而是适用于训练于不同深度架构和不同的学习方式(监督、自监督、无监督)的特征提取器。
Jan, 2018
本文研究高清晰度重建中的量化质量和感知质量之间的平衡关系,并提出了一种新的超分辨率方法,该方法结合深度网络、鉴别器网络和两个定量评分预测器网络,可以在保持传统定量性能的同时提高上采样图像的感知质量。实验结果表明,所提出的方法在量化和感知质量之间取得了良好的平衡,比现有方法更令人满意。
Sep, 2018