无参考质量评估方法能用作超分辨率的知觉损失吗?
本文提出了一种使用卷积神经网络的学习 no-reference image quality metric 来提高图像处理算子的感知质量的方法,从而优化图像增强算法,成功调整局部色调映射和去雾等多种操作。
Dec, 2017
本文通过对大量超分辨率图像进行人类主观研究,提出了一种基于视觉感知评分学习的无参考指标,使用空间域和频域中的三种低级统计特征对超分辨率图像上的特征进行量化,并学习了一个两阶段回归模型,无需参考基准图像即可预测超分辨率图像的质量得分,实验证明这种指标可以有效、高效地评估超分辨率图像的质量。
Dec, 2016
本文研究高清晰度重建中的量化质量和感知质量之间的平衡关系,并提出了一种新的超分辨率方法,该方法结合深度网络、鉴别器网络和两个定量评分预测器网络,可以在保持传统定量性能的同时提高上采样图像的感知质量。实验结果表明,所提出的方法在量化和感知质量之间取得了良好的平衡,比现有方法更令人满意。
Sep, 2018
利用像素级的知觉损失优化高分辨率图像的生成,本研究使用基于深度卷积神经网络的解码器进行优化,通过对不同语义级别的标签惩罚来提高性能并考虑到背景和边界的纹理相似性,得到更逼真的纹理和更锐利的边缘,实验表明此方法的效果优于现有的其他算法。
Aug, 2019
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
本文研究了基于神经网络的无参考质量度量方法的适用范围,并提出了一种快速的对抗扰动攻击方法(FACPA),可以用作实时视频处理和压缩算法的预处理步骤,提高稳定性。
May, 2023
本论文提出了一种深度生成对抗网络用于超分辨率,考虑了感知与失真之间的权衡,采用传统内容损失的基础上,使用离散余弦变换系数损失和差分内容损失来考虑内容感知,实现高分辨率图像的恢复。实验结果表明该模型在恢复图像的视觉效果和失真程度方面具有良好的性能,是一种有效的感知超分辨率应用算法。
Sep, 2018
本研究中,我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块,通过结合均方误差损失、感知损失和对抗性损失训练我们的网络,以在失真和感知质量之间获得最佳权衡,从而实现更好的感官质量。
Nov, 2018