对齐图像质量指标与深度神经网络鲁棒性的因果框架
计算机视觉与模式识别
2025-08-06 v2 人工智能
摘要
图像质量对深度神经网络 (DNNs) 的性能起着重要作用，这些网络已被广泛证明对成像条件的变化表现出敏感性。传统的图像质量评估 (IQA) 旨在测量和对齐相对于人类感知判断的质量，但我们经常需要一个不仅对成像条件敏感而且与 DNN 敏感性良好对齐的指标。我们首先询问传统的 IQA 指标是否对 DNN 性能也有信息价值。我们从理论和实证上证明，传统的 IQA 指标是 DNN 图像分类性能的弱预测因子。使用我们的因果框架，我们随后开发了与 DNN 性能表现出强相关性的指标，从而使我们能够有效地估计大型图像数据集相对于目标视觉任务的质量分布。
引用
@article{arxiv.2503.02797,
title = {A Causal Framework for Aligning Image Quality Metrics and Deep Neural Network Robustness},
author = {Nathan Drenkow and Mathias Unberath},
journal= {arXiv preprint arXiv:2503.02797},
year = {2025}
}