因果感知启示的信任图像质量评估的表示学习
本文提出了一种名为 CONTRIQUE 的训练框架和深度 IQA 模型,使用自监督学习的方法从标有多种不同程度和类型扭曲度的无标签图像数据集中学习特征,通过冻结 CNN 权重和使用线性回归器将学习到的表示映射到质量得分,获得了很强的性能表现。该深度学习模型的训练无需大量标记数据。
Oct, 2021
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
本文介绍了最新的反感知 (IR) 算法基于生成对抗网络 (GANs),但其定量评估与视觉感知质量存在不一致性。为了回答现有的 IQa 方法能否客观评价最近的 IR 算法和促进 IQa 方法的发展,作者提出了一个大规模的 IQa 数据集 PIPAL,并针对 GAN 基础的 IR 算法,提出了一些新的基准方法和对空间错位改进的 IQa 网络。
Nov, 2020
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
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
本文提出了一种混合专家方法来进行自动感知图像质量评估,使用 Re-IQA 框架训练两个独立的编码器来学习高级和低级图像特征,并使用得到的图像表示来训练线性回归模型以提高评估准确性。实验表明,深度神经网络在无监督设置下训练可以产生具有感知相关性的表示。
Apr, 2023
自动编码器 VAE-QA 是一种用于在全参考下预测图像质量的简单高效方法,通过利用现有的自动编码器,它显著提升了跨数据集的泛化能力,具有更少的可训练参数、较小的内存占用和更快的运行时间。
Apr, 2024
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
本文提出了一种基于深度神经网络的图像质量评估方法,通过数据驱动的方式完成特征提取、回归等过程,与现有的图像质量评估方法相比,在全参考和无参考情况下表现都更好,且不依赖手工特征或人眼视觉系统和图像统计学知识。
Dec, 2016