Mar, 2024

IG-FIQA: 基于类内方差引导的人脸图像质量评估方法，对不准确的伪标签具有鲁棒性

PDF
TL;DRIG-FIQA 是一种基于样本相对分类的面部图像质量评估方法，引入了权重参数来减轻低类内差异类别图像关联实际质量的问题，并提出了在训练中估计样本类内差异的方法，同时还采用了即时数据增强技术以提升泛化性能，实验结果显示 IG-FIQA 在多个基准数据集上达到了新的最先进性能。
发现论文，激发创造
  • CR-FIQA: 通过学习样本相对可分类性进行面部图像质量评估

    本文提出一种学习范式以及建立基于其的面部图像质量评估算法（CR-FIQA），通过预测面部图像样本的相对分类能力来估计其质量，并通过角度空间中的训练样本表征来测量相对分类能力。该方法在面部识别模型训练中同时进行优化，并经过大量实验表明其在 8 个基准和 4 个面部识别模型上具有优越性。

    Dec, 2021

  • 基于优化的人脸图像质量评估技术的改进

    该研究旨在提高现有面部图像质量评估（FIQA）技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法，结合特定的面部识别模型（ArcFace，ElasticFace，CurricularFace），在五个常用基准测试数据集上，对六种最新的 FIQA 方法（CR-FIQA，FaceQAN，SER-FIQ，PCNet，MagFace，SDD-FIQA）进行了全面的实验评估，取得了令人鼓舞的结果。

    May, 2023

  • SDD-FIQA: 基于相似度分布距离的无监督人脸图像质量评估

    提出了一种基于 SDD（Similarity Distribution Distance）的无监督 Face Image Quality Assessment（FIQA）方法，该方法将所提取的相似性分布用于计算 WD，以生成质量伪标签并进行质量预测，取得了比现有方法更好的效果。

    Mar, 2021

  • GraFIQs：使用梯度幅度进行人脸图像质量评估

    基于对预训练模型权重的改变进行检查以评估人脸图像质量，采用批量归一化算法（BNS）的差异性作为评价指标，通过反向传播计算梯度大小来得出人脸图像的质量。通过全面实验，证明我们的方法不需要质量标签，也不需要训练回归网络或设计优化特定损失函数，仍能达到与最新技术水平相媲美的性能。

    Apr, 2024

  • DSL-FIQA：通过双集合退化学习和基于关键点导引的变换器评估面部图像质量

    本文介绍了一种基于 Transformer 的通用人脸图像质量评估方法，其中包括双集合降级表示学习机制和综合通用人脸 IQA 数据集，该方法在评估人脸图像感知质量方面取得了显著的改进。

    Jun, 2024

  • 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

  • GIQA: 生成图像质量评估

    本研究提出 Generated Image Quality Assessment (GIQA) 算法，从学习和数据两个角度，定量评估 GAN 模型生成的图像质量。实验证明 GIQA 算法结果与人工评估基本一致，可应用于 GAN 模型的真实性和多样性评估，并能在训练中支持在线 hard negative mining。

    Mar, 2020

  • 广义肖像质量评估

    FHIQA 是一种基于学习的自动肖像质量评估方法，通过图像语义的简单但有效的质量分数重新缩放方法来增强细粒度图像质量度量的准确性，同时保证在训练数据集之外的各种场景设置下能够具有稳健的泛化能力。

    Feb, 2024

  • 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

  • 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