深度形状纹理统计完全盲目图像质量评估
采用深度学习方法可以提高盲目图像质量评估(BIQA)领域的质量评估,但这些方法通常需要使用大量的人为评分数据进行训练。为了弥合这一差距,本文提出了一种将预训练视觉模型的深度特征与统计分析模型结合的多尺度深度特征统计(MDFS)模型,用于实现无人为偏差的 BIQA,从而消除对人为评分数据的依赖,并显著提高训练效率。通过从预训练视觉模型中提取基于补丁的多尺度特征,将其适应到多变量高斯(MVG)模型中。最终质量评分通过量化测试图像导出的 MVG 模型与高质量图像集导出的基准 MVG 模型之间的距离来确定。在各种数据集上进行了一系列的综合实验,结果显示我们提出的模型与人类视觉感知具有更好的一致性,同时在各种特定于目标的 BIQA 任务上显示出了更好的泛化性能。
May, 2024
通过卷积神经网络,构建了一种显式容忍纹理重采样的完全参考图像质量模型,利用纹理相似度和结构相似度结合来优化图像质量评估,在现有的数据库和纹理数据库上都表现出了具有竞争力的性能。
Apr, 2020
这篇研究使用深度学习技术进行失真通用的盲目图像质量评估,通过将子区域的评分进行平均池化,使用分类基础图像质量评估的 CNN 微调提取的特征,使用 SVR 机器计算每个子区域的评分,进而证明了该方法在 LIVE In the Wild 和 LIVE 两个数据库上的表现均优于当前的最优方法,并且在很多情况下,比普通的人类观察者的评分更加接近平均观察者的评分。
Feb, 2016
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
基于检索相似的图像实例来评估图像质量的无回归框架,包含语义分类模块和畸变分类模块,根据语义和畸变相似度检索多个图像实例并聚合主观质量评分,验证实验表明该模型显著优于基于回归的模型。
Jul, 2023
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
探索了针对盲目图像质量评估 (BIQA) 的扩散模型的感知特征扩散图像质量评估 (PFD-IQA) 方法,提出了一个感知先验发现和聚合模块和一个基于感知先验的特征细化策略来消除质量感知特征中的噪声,该方法在八个标准 BIQA 数据集上进行的实验证明其优于现有方法,达到了 0.935 和 0.922 的 PLCC 值。
Jan, 2024
本文介绍了一种名为 SLIQUE 的新型盲目图像质量评估 (BIQA) 模型,该模型采用联合视觉 - 语言和视觉对比表示学习框架,通过获取关于图像语义内容、畸变特征和外观属性的高级知识来进行质量评估。为了训练 SLIQUE,我们开发了一种系统的方法来构建一个首个具有所有三类质量相关文本注释的大型图像数据库 TADAC。TADAC 数据库拥有超过 160 万张图像,用文本描述它们的语义内容、畸变特征和外观属性。构建 TADAC 的方法和数据库本身将特别有助于利用视觉 - 语言建模进行高级图像质量评估应用。大量实验结果显示,SLIQUE 在性能上优于现有技术,证明了其设计原理的完整性和实现的有效性。
Jun, 2024
提出了一种新的概率图像质量表示方法(PQR),用于训练深度 BIQA 模型,该方法不仅可以加速深度模型训练的收敛,而且相对于标量质量得分回归方法,也可以极大地提高可实现的质量预测精度。
Aug, 2017
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