Apr, 2024

图像质量评估的感知恒定性约束的单一意见分值校准

PDF
TL;DR本文提出了一种高效的方法，从单个意见分数（SOS）估计图像的平均意见分数（MOS），通过最大似然估计来表征 MOS。我们假设每个 SOS 是正态分布的观测样本，MOS 是其未知期望值，并考虑了成对图像的感知相关性以对 SOS 的似然建模。通过使用自监督骨干学习的质量感知表示，引入了可学习的相对质量度量来预测两个图像之间的 MOS 差异。然后，当前图像的最大似然估计 MOS 由另一个参考图像的估计 MOS 和它们的相对质量之和表示。通过反向传播和牛顿法交替优化相对质量度量参数和当前图像的估计 MOS。实验证明，当只有 SOS 可用时，该方法在校准有偏 SOS 方面效率高，并显著改善了 IQA 模型的学习。
发现论文，激发创造
  • 通过双偏差校准学习带有噪声低成本的 MOS 图像质量评估

    从低成本的主观质量标注学习鲁棒的图像质量评估模型，通过建立低成本主观质量标注与高成本主观质量标注之间的主观偏差模型和模型偏差模型来进行校准，以实现准确的图像质量评估。

    Nov, 2023

  • 话语 MOS 多任务学习与评分者偏差校正

    本文提出了一种多任务框架来改进盲目 MOS 评估模型的性能，通过在训练中加入附加标签和数据，结合两个不连续的数据集来联合估算 MOS、混响时间和清晰度，并使用半监督框架来组合两个 MOS 数据集以解决评估者偏差。

    Dec, 2022

  • 从噪声测量中恢复主观质量评分

    本研究提出了一种基于最大似然估计的新方法，可以从嘈杂的原始测量中恢复主观质量分数，并联合估计受损视频的主观质量，测试对象的偏差和一致性以及视频内容的歧义性，同时提供了每个估计的置信区间的封闭形式表达式。相对于先前方法，我们的方法能够充分利用主观信息，处理不良数据并提供有关测试对象和视频内容的有趣见解。

    Nov, 2016

  • 主观性实验中主体行为的简单模型

    本文提出了一个简单的模型来解决主题不准确的困扰，并通过比较真实数据和合成模拟来证明其价值和优越性。

    Apr, 2020

  • 利用 Conformer 和 Blind Noisy Students 来改进图像质量评估

    探索基于 transformer 的全参考图像质量评估模型的性能，并提出了一种基于半监督知识蒸馏的 IQA 方法，使用嘈杂的伪标签数据将全参考教师模型蒸馏到盲学生模型中。在 NTIRE 2022 感知图像质量评估挑战中，我们的方法取得了竞争力的结果。

    Apr, 2022

  • 基于感知相似性的主观图像质量评分预处理方法

    我们提出了一种名为感知相似性主观预处理（PSP）的主观图像质量评分预处理方法，利用图像之间的感知相似性减轻了较少标注情景下的主观偏倚，并证明预处理的数据集可以很好地提高下游图像质量评估任务的性能。

    Apr, 2024

  • 改进基于自主学习的 MOS 预测网络

    该研究通过对先前基于自监督学习的 MOS 预测模型进行数据、训练和后训练的特定改进，并采用多种技术评估其有效性，包括 wav2vec 2.0 模型、转移学习、不同的批处理方法和方法的量化等，实现自动预测 MOS 值。

    Apr, 2022

  • 基于两两比较的 MOS 预测

    提出了基于配对比较的 MOS 预测框架，并利用 C-Mixup 算法增强其泛化性能，实验结果表明该框架在语音质量的排名准确性上优于当前基准，说明该框架对于提高语音质量排名的准确性具有改进作用。

    Jun, 2023

  • GMC-IQA: 利用全局相关性和主观一致性进行无参考图像质量评估

    通过构建一个新的损失函数和网络，本研究提出了一个 GMC-IQA 框架，综合了全局相关性和均值一致性，通过定义基于偏好的排序估计来解决非可微问题，并引入了队列机制来近似整个数据集的全局结果。实验证明，我们的方法在多个真实数据集上的准确性和泛化能力上优于其他方法，并且适应了多种网络，取得了更好的性能和更稳定的训练。

    Jan, 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