医学图像常用图像质量评估指标的充分性研究
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。
May, 2024
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
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
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
本文提出了一种基于感知的数字图像质量评估方法 —— 无参考感知图像质量指数(PIQI),来评估数字图像的质量。通过计算多个尺度和颜色空间中的亮度、梯度统计信息以及均值减法对比规范化乘积,将这些提取出的特征提供给高斯过程回归(GPR)的堆叠集成模型进行质量评估,并在六个基准数据库上评估其性能并与其他方法进行比较,结果表明 PIQI 能够达到竞争水平。
May, 2023
本文旨在回答两个问题:(1)现有的图像质量评估方法是否能客观评估最近的图像修复(IR)算法?(2)在打破当前基准的重点下,我们是否获得了更好的 IR 算法?为了回答这些问题并推动 IQA 方法的发展,我们贡献了一个大规模的 IQA 数据集,称为感知图像处理算法(PIPAL)数据集。该数据集包括基于 GAN 的方法的结果。通过 PIPAL,我们为 IQA 和超分辨方法提供了新的基准。实验表明,现有的 IQA 方法不能公平评估基于 GAN 的 IR 算法。最后,我们通过引入抗锯齿池化来改善 IQA 网络在基于 GAN 的扭曲上的性能,并取得了显著效果。
Jul, 2020
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
该研究介绍了一个人像特定的图像质量评估数据集 PIQ23,其使用配对比较的方法由多位专家对三个特定属性进行注释,在深入的统计分析后,证明了语义信息可以用于提高图像质量评估的预测。
Apr, 2023
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