May, 2024

重新评估医学影像的全参考图像质量评估的研究

PDF
TL;DR图像质量评估 (IQA) 不仅在临床实践中确保高标准的不可或缺，而且在基于医学图像的新算法开发阶段也是必须的。本文提供了一个有结构且全面的示例集，其中两种最常见的全参考 (FR) 图像质量评估方法无法用于评估使用不同类型医学图像 (包括真实世界的 MRI、CT、OCT、X 射线、数字病理学和光声成像数据) 的新算法。需要紧急改进，以增加医学图像及其它领域机器学习的可解释性、可重复性和泛化性。除了这些障碍，我们还将提供未来研究的思路，并建议在医学图像中使用 FR-IQA 方法的指导方针。
发现论文，激发创造
  • 医学图像常用图像质量评估指标的充分性研究

    通过对医学图像数据及自然图像数据进行测试和比较，研究结果表明针对医学图像的定制化图像质量评估措施在医学影像算法中的应用是必要的。

    May, 2024

  • 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

  • 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

  • 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

  • 中心突出的视觉显著性和基于对比度的全参考图像质量指标

    本文提出了一种基于视觉显著性和对比度的全参考图像质量评估方法，该方法增加了中心区域的敏感度，通过在三个大规模的基准数据库上的实验验证，显示出与人类评估数值更强的相关性和更高的实时处理速度，并提供 MATLAB 代码以供测试。

    Dec, 2018

  • 基于压缩采样的 S-IQA 图像质量评估

    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。

    Apr, 2024

  • 感知图像修复质量评估：一个新的数据集、评估基准和度量标准

    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

  • 用于无参考和全参考图像质量评估的深度神经网络

    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

  • 使用大数据学习增强图像的无参考质量评估模型

    本文研究了通过机器学习进行图像质量评估和增强的问题，并开发了一个新的无参考图像质量评估模型和一个基于质量优化的强大的图像增强框架。

    Apr, 2019

  • 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