CVPRApr, 2023

Re-IQA: 野外图像质量评估的无监督学习

PDF
TL;DR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。
automatic perceptual image quality assessmentmixture of expertsre-iqa frameworkdeep neural networkslinear regression model
发现论文，激发创造
  • 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

  • 利用简单生成表现评估图像质量

    自动编码器 VAE-QA 是一种用于在全参考下预测图像质量的简单高效方法，通过利用现有的自动编码器，它显著提升了跨数据集的泛化能力，具有更少的可训练参数、较小的内存占用和更快的运行时间。

    Apr, 2024

  • UniQA: 图像质量与美学评估的统一视觉语言预训练

    图像质量评估和图像美学评估的统一视觉语言预训练 (UniQA) 方法能够同时提高这两个任务的性能并展现优异的无需训练样本和少标签图像评估能力。

    Jun, 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

  • 通过层次特征融合和迭代混合数据库训练进行野外图片的盲质量评估

    本文提出了针对实际应用中广泛存在的自然图像的全新盲图像质量评估模型，该模型通过提出更好的质量感知特征表示学习方式和解决缺乏多样性的训练样本问题来解决此领域中的两个关键问题。实验结果表明，所提出的模型在六个实验数据库上表现出色，同时在跨数据库评估实验中展现出更强的鲁棒性。

    May, 2021

  • 实验室和野外环境下的不确定性感知盲图像质量评估

    通过端到端优化特征工程和质量回归，盲目的图像质量评估（BIQA）模型的性能得到了显著提高。然而，由于实验室模拟的图像和野外拍摄的图像之间的分布偏移，仅在具有合成失真的数据库上训练的模型在处理现实失真方面仍然特别薄弱（反之亦然）。为应对跨失真场景的挑战，我们开发了一个 “统一” 的 BIQA 模型，并采用一种同时用于合成和真实失真的训练方法。

    May, 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

  • 在实验室和野外学习盲目评估图像质量

    通过多个畸变场景下的图像数据库训练，我们提出的盲视觉质量评估深度网络模型可以有效地在实验室和野外进行盲目评估，比以前的方法具有更高的评估精度。

    Jul, 2019

  • 结合半监督和正未标记学习提升全参考图像质量评估

    本文提出了一种利用半监督和正无标记学习方法来提高无标签数据质量检测表现的方法，通过动态生成伪 MOS，结合全参考图像质量评估和空间注意力机制来处理 GAN 模型带来的误配问题。在多项数据集实验中表现良好。

    Apr, 2022

  • 野外环境下的图像描述性质量评估

    基于 Depicted Image Quality Assessment in the Wild (DepictQA-Wild) 方法构建了一个多功能的图像质量评估任务范式，包括评估和比较任务，从而构建了一个全面、大规模且高质量的数据集 DQ-495K，结果显示 DepictQA-Wild 在失真识别、即时评分和推理任务中明显优于传统基于分数的方法、之前的基于 Vision Language Models 的图像质量评估模型和专有的 GPT-4V。

    May, 2024