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
提出了一种基于非对齐参考图像学习比较性知识的新框架来解决无参考图像质量评估的先天缺陷,并改进了特征提取框架以表达更丰富的质量信息,并在 8 个标准无参考图像质量评估数据集上展现了超越最先进方法的卓越性能。
Dec, 2023
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
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
使用对比学习方法的质量感知特征匹配图像质量评估度量 (QFM-IQM),通过对具有相似语义特征但质量得分不同的图像对进行比较,以自适应地调整上游任务的特征,移除有害特征并通过蒸馏方法提高模型的泛化能力,在 8 个标准 NR-IQA 数据集上实现了优越的性能。
Dec, 2023
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
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
提出了一种新颖的模型,它通过卷积神经网络和 Transformers 中的自我关注机制,从输入图像中提取局部和非局部特征来解决无参考图像质量评估(NR-IQA)任务,同时提供自我一致性作为一个自我监督信号来提高模型的鲁棒性。经过在七个标准 IQA 数据集上的测试,证明了该模型达到了各种数据集上的最先进成果。
Aug, 2021
提出了一种新颖的预训练框架,通过从通用视觉语言模型中选择性提取与图像质量相关的知识,并利用大型数据集的可扩展性,构建了一种适用于图像质量评估的通用表示。同时我们的方法在多个数据集上取得了最先进的性能,并展现了显著的泛化能力。
Jun, 2024