May, 2024

适应预训练网络用于高动态范围显示器上的图像质量评估

PDF
TL;DR本研究探索了在高动态范围（HDR）数据上训练深度学习模型进行图像质量评估（IQA）的更有效的方法，并通过添加微调和域适应将基于标准动态范围（SDR）数据的预训练模型重新定位到 HDR 数据，验证了我们的方法优于之前的基准结果，并在 HDR 输入上可靠地推广。
image quality metricsperceptually non-uniform linear high-dynamic-range colorspre-trained neural networkshdr datadeep learning-based models
发现论文，激发创造
  • 高动态范围图像渲染的感知评估与优化

    提出了一种新的高动态范围图像质量评估模型，通过逆显示模型将 HDR 图像分解成一组具有不同曝光的 LDR 图像，然后使用现有的 LDR 图像质量模型对每个曝光进行评估，并根据曝光之间的全局质量评分来获得整体质量评分。该方法在评估 LDR 图像时具有相同的性能，并在人感知优化 HDR 新视角合成方面表现出了优势。

    Oct, 2023

  • 训练用于修复任务的神经网络的 RAW 和 HDR 图像

    通过对三个常见的图像恢复应用进行测试，我们发现，训练神经网络时，将 HDR 和 RAW 图像呈现在显示编码的颜色空间中比线性颜色空间更能提供更好的感知均匀性，这种训练策略的微小改变可以显著提高性能，高达 10-15 dB。

    Dec, 2023

  • HIDRO-VQA: 高动态范围视频质量评估的标准

    通过自监督对比微调方法，将有标记的标准动态范围（SDR）视频的质量感知特征转移到无标记高动态范围（HDR）视频领域，从而实现对 HDR 视频的精确质量评估，并取得了最先进的性能。

    Nov, 2023

  • HDR-ChipQA: 基于无参考的高动态范围视频质量评估

    本文提出了一种无参考视频质量模型和算法，它可以为广泛采用的 HDR 视频网络提供更好的视频质量评估，在 HDR 和 SDR 内容中均表现出优异的性能。

    Apr, 2023

  • 高动态范围图像色调映射的无配对学习

    本研究描述了一种基于对原生 LDR 图像的最佳视觉特征复制目标的新的色调映射方法，通过无关的 HDR 和 LDR 图像数据集的对抗性训练生成具有照片般逼真质量的无伪影图像，并通过不同的图像保真度指数和视觉距离证明其实现的最新性能。

    Oct, 2021

  • FastHDRNet: 高效的 SDR 转 HDR 方法

    现代显示器具备高动态范围和广色域能力，本研究提出了一种轻量级神经网络方法，通过自适应全局颜色转换和局部增强实现从标准动态范围到高动态范围的转换，达到了业内领先水平。

    Apr, 2024

  • 基于图像生成的学习方法实现高效的 SDRTV-to-HDRTV

    将标准动态范围电视（SDRTV）内容转换为高动态范围电视（HDRTV）的任务存在严重的色域转换错误，为解决此问题，本文提出了一种新的三步解决方案 HDRTVNet++，其中包括自适应全局色彩映射、局部增强和高光细化，该方法在处理 4K 分辨率图像时具有高效、轻量级的特点。

    Sep, 2023

  • 从现实世界的 RAW 图像中高效重建 HDR

    本文提出了一种新的计算原始 HDR 数据形成管道并构建了第一个实际的原始 HDR 数据集 RealRaw-HDR，开发了一种轻量级高效的 HDR 模型 RepUNet，通过提出即插即用的运动对齐损失方法，解决了短曝光和长曝光图像之间的动作对齐问题，并在视觉质量和量化指标方面实现了最先进的性能。

    Jun, 2023

  • Deep Chain HDRI：从单幅低动态范围图像重建高动态范围图像

    本文提出了一种基于深度神经网络和卷积神经网络的新型算法来重建高动态范围图像，其方法相较于传统算法在可视化品质和峰值信噪比方面有较大幅度的提高。

    Jan, 2018

  • 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