- 无参考图像质量评估的局部流形学习
我们提出了一种将局部流形学习与对比学习相结合的创新框架,用于无参考图像质量评估。该方法通过从给定图像中采样多个裁剪,识别出最具视觉显著性的裁剪,并将其他来自同一图像的裁剪作为正类进行聚类,将来自不同图像的裁剪作为负类以增加类间距离。与其他方 - GenzIQA:使用提示引导的潜在扩散模型进行通用图像质量评估
通过理解可学习的质量感知文本提示与图像之间的对齐程度,我们利用潜在扩散模型的降噪过程对广义图像质量评估进行了改进。
- CLIP 引导属性感知预训练用于可泛化图像质量评估
提出了一种新颖的预训练框架,通过从通用视觉语言模型中选择性提取与图像质量相关的知识,并利用大型数据集的可扩展性,构建了一种适用于图像质量评估的通用表示。同时我们的方法在多个数据集上取得了最先进的性能,并展现了显著的泛化能力。
- 质量对细粒度图像分类中的深度神经网络的影响
本文提出一种无参考图像质量评估(NRIQA)引导截断点选择(CPS)策略,以提高细粒度分类系统的性能。通过综合多种 NRIQA 方法提供的截断点信息,选择给定图像数据集中最具区分性的子集,可以在深度神经分类器上进一步增强模型的准确性。
- 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。
- 超越评分变化:从两个角度对无参考图像质量评估进行对抗攻击
深度神经网络在无参考图像质量评估中取得了令人印象深刻的成功,但最近的研究强调了 NR-IQA 模型对微小对抗扰动的脆弱性,导致模型预测与主观评分之间的不一致性。当前的对抗攻击忽视了整个图像集内得分之间的关联关系,本研究提出了一种基于关联误差 - CVPR用梯度范数正则化防御无参考图像质量模型的对抗攻击
通过提出一种防御方法,并建立正规化训练策略,我们实验了四个基线模型来降低对无参考图像质量评估模型的对抗攻击所造成的分数变化,从而提高其对抗攻击的鲁棒性。
- 针对真实世界图像质量评估的质量感知图像文本对齐
使用 QualiCLIP,这是一种基于 CLIP 的自监督方法,旨在解决无高质量参考图像时测量图像质量的问题;与其他方法相比,在不需要标记的主观测试分数的情况下,在真实场景中表现更好,并且具有更好的鲁棒性和解释性。
- 通过 MAP 估计在扩散潜变量中比较无参考图像质量模型
现代无参考图像质量评估(NR-IQA)模型可以有效量化感知图像质量,在固定测试集上模型预测与人类感知评分之间存在高相关性。然而,在从感知优化的角度比较 NR-IQA 模型方面几乎没有取得进展。本文首次证明 NR-IQA 模型可以被插入到最大 - 图像质量评估模型的黑盒对抗攻击
本文首次尝试探索黑盒对抗攻击 NR-IQA 模型,通过最大限度地增加原始和扰动图像的质量评分之间的差异来误导对抗性示例的估计质量评分,针对 NR-IQA 模型开发出一种高效和有效的黑盒攻击方法。广泛实验表明,所有评估的 NR-IQA 模型都 - 基于扩散模型的图像补偿引导和视觉差异分析方法用于无参考图像质量评估
使用扩散模型进行无参考图像质量评估的研究,开发了新的扩散恢复网络以及两个视觉评估分支,实验证明该模型在无参考图像质量评估中优于现有方法。
- 一种基于查询的黑盒方法探索无参考图像质量评估模型的漏洞
本文提出了一种基于查询的黑盒攻击方法,通过使用多个分数边界和人类视觉系统的特性,使得攻击方法能够有效地测试无参考图像质量评估方法的稳健性。实验证明,该攻击方法优于其他先进方法,并揭示了 NR-IQA 在黑盒攻击下的脆弱性,同时为进一步研究 - 自适应特征选择在无参考图像质量评估中的应用:对比缓解语义噪声敏感性
使用对比学习方法的质量感知特征匹配图像质量评估度量 (QFM-IQM),通过对具有相似语义特征但质量得分不同的图像对进行比较,以自适应地调整上游任务的特征,移除有害特征并通过蒸馏方法提高模型的泛化能力,在 8 个标准 NR-IQA 数据集上 - 适用于数据高效、无参考图像质量评估的学习通用感知表示
无参考图像质量评估中,无监督学习的质量表示具有广泛的扭曲捕捉能力,并通过视觉语言模型提取高层次的图像质量信息,将这两组特征结合训练简单回归器有效预测质量,并展示了这些特征在数据有效和零样本情况下的优越性能。
- 少即是多:利用无参考图像质量评估学习参考知识
提出了一种基于非对齐参考图像学习比较性知识的新框架来解决无参考图像质量评估的先天缺陷,并改进了特征提取框架以表达更丰富的质量信息,并在 8 个标准无参考图像质量评估数据集上展现了超越最先进方法的卓越性能。
- ARNIQA:学习图像质量评估的失真流形
在这项工作中,我们提出了一种自我监督的方法 ARNIQA(学习失真流形以实现图像质量评估),用于建模图像失真流形,以获取内在的质量表示。我们通过引入一个图像退化模型,随机地组合连续应用的失真顺序来合成各种降质图像,然后通过最大化相似性训练我 - MM通过 Transformer 预测错误图和感知质量令牌进行盲图像质量评估
本文提出了一种基于 Transformer 的无参考图像质量评估模型,使用预测的目标误差地图和感知质量令牌进行特征融合,比现有技术表现更好,提高了对真实和合成图像数据库的性能表现。同时,通过感知质量令牌提取的注意力图也符合人类视觉系统的特征 - MANIQA:用于无参考图像质量评估的多维度注意力网络
提出了一种无参考图像质量评估方法:Multi-dimension Attention Network for no-reference Image Quality Assessment (MANIQA)。该方法在 GAN-based dis - 基于 Transformer、相对排名和自一致性的无参考图像质量评估
提出了一种新颖的模型,它通过卷积神经网络和 Transformers 中的自我关注机制,从输入图像中提取局部和非局部特征来解决无参考图像质量评估(NR-IQA)任务,同时提供自我一致性作为一个自我监督信号来提高模型的鲁棒性。经过在七个标准 - MetaIQA: 无参考图像质量评估的深度元学习
本文提出了一种基于深度元学习的无参考图像质量评估指标,通过收集多种失真的图像任务,在元学习的基础上,学习人类评估图像质量时所共享的元知识,以适应未知的失真,进而优化质量先验模型,进行目标无参考图像质量评估,结果表明这种方法优于现有技术,并且