Apr, 2024

基于压缩采样的 S-IQA 图像质量评估

PDF
TL;DR利用压缩采样的图像质量评估方法 (S-IQA) 提出了一个新的框架，其中包括灵活采样模块、自适应嵌入模块和双分支模块，通过这个方法在各种数据集上实现了最先进的结果。
no-reference image quality assessmentnr-iqa methodshigh-resolution imagesimage quality assessment with compressive samplingstate-of-the-art result
发现论文，激发创造
  • 图像的主客观质量评价：综述

    本文综述了传统图像信号和新兴信号（包括高动态范围（HDR）和 3-D 图像）的质量评估方法，提供了主观和客观图像质量评估的分类和综述，并评估了 9 种常用的质量评估指标在四个主观质量数据集上的表现和计算时间。本文还简要介绍了 3-D 图像质量评估，并综述了与该领域相关的问题。

    Jun, 2014

  • UNIQA：面向完全参考和无参考图像质量评估的统一框架

    设计了一个用于全参考和无参考图像质量评价的统一网络，通过语义影响建模来提高性能，并且在各种数据集上超越了相关的最先进方法。

    Oct, 2023

  • MUSIQ: 多尺度图像质量转换器

    设计了一个多尺度图像质量 Transformer (MUSIQ)，它可以处理具有不同尺寸和长宽比的本机分辨率图像，通过多尺度表示，我们提出的方法可以捕捉不同粗细度的图像质量，并提出了一种基于哈希的二维空间嵌入和尺度嵌入，支持多尺度表示中的位置嵌入。实验结果验证了 MUSIQ 在多个大规模图像质量评估数据集上的最先进性能。

    Aug, 2021

  • SwinIQA：基于学习的 Swin 距离用于压缩图像质量评估

    本文通过设计一个基于 Swin Transformer 的全参考图像质量评估指标 SwinIQA，能够测量压缩图像的感知质量，并在 CLIC 数据集中实现了比传统方法和基于学习的方法更高的人类感知判断的一致性。

    May, 2022

  • 自适应特征选择在无参考图像质量评估中的应用：对比缓解语义噪声敏感性

    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

  • 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

  • 使用层叠技术进行压缩图像质量评估

    在这项研究中，研究者采用了一种基于融合的方法对压缩图像质量进行评估，通过利用畸变特定的度量方法并结合全参考和非参考模型的结果，可提高对压缩图像质量的评估准确性，达到了 79.6％的质量基准准确率，证明了该融合方法的有效性。

    Feb, 2024

  • 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

  • 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

  • 基于 Transformer、相对排名和自一致性的无参考图像质量评估

    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