Oct, 2023

ARNIQA：学习图像质量评估的失真流形

PDF
TL;DR在这项工作中，我们提出了一种自我监督的方法 ARNIQA（学习失真流形以实现图像质量评估），用于建模图像失真流形，以获取内在的质量表示。我们通过引入一个图像退化模型，随机地组合连续应用的失真顺序来合成各种降质图像，然后通过最大化相似性训练我们的模型，将图像表示映射到质量得分，实验结果显示我们的方法在几个数据集上达到了最先进的性能，并且相比竞争方法，ARNIQA 在数据效率、泛化能力和鲁棒性上都有所改善。
发现论文，激发创造
  • 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

  • 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

  • MetaIQA: 无参考图像质量评估的深度元学习

    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

  • 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

  • 利用对比度增强进行无参考对比度失真图像质量评估

    本文提出了一种针对对比度失真的简单而有效的度量标准，利用结构相似性指数 (SSIM) 、基于直方图的熵和交叉熵等方法综合评估图像质量，进而学习回归模块以预测质量得分。

    Apr, 2019

  • 图像质量评估模型的黑盒对抗攻击

    本文首次尝试探索黑盒对抗攻击 NR-IQA 模型，通过最大限度地增加原始和扰动图像的质量评分之间的差异来误导对抗性示例的估计质量评分，针对 NR-IQA 模型开发出一种高效和有效的黑盒攻击方法。广泛实验表明，所有评估的 NR-IQA 模型都对该攻击方法存在漏洞，生成的扰动不可转移，有助于研究不同 IQA 模型的特性。

    Feb, 2024

  • 透過對抗學習實現的畫面虛擬感知品質評估：無需參考圖像

    本文介绍了一种基于幻觉引导的质量回归网络来解决无参考图像质量评估问题，其中幻觉引导的参考图像和失真图像的信息会被发送至回归器进行学习，从而实现了有效的质量预测。实验证明该方法明显优于现有的最先进方法。

    Apr, 2018

  • 使用大数据学习增强图像的无参考质量评估模型

    本文研究了通过机器学习进行图像质量评估和增强的问题，并开发了一个新的无参考图像质量评估模型和一个基于质量优化的强大的图像增强框架。

    Apr, 2019

  • 学习条件知识蒸馏以用于降维参考图像质量评估

    本文介绍了一种命名为 DR-IQA 的实用解决方案，利用失真图像作为参考，通过学习参考空间来提取参考信息并捕获有用于质量评估的深度图像先验，从而为盲目的图像恢复任务提供强大的可微指标，同时在 GAN-based 方法中表现良好。

    Aug, 2021

  • 基于知识蒸馏的内容相关参考图像质量评估

    本文提出了一种基于知识蒸馏的内容变异参考方法（CVRKD-IQA），通过使用不对齐的高质量图像引入各种先验分布，并通过知识蒸馏从全参照教师向 NAR 学生传输更多的高质量 - 低质量分布差异信息，从而实现更好的图像质量评估。

    Feb, 2022