一种用于盲图像质量评估的轻量级并行框架
计算机视觉与模式识别
2024-02-20 v1
摘要
现有的盲图像质量评估（BIQA）方法侧重于设计基于卷积神经网络（CNN）或 Transformer 的复杂网络。此外，一些 BIQA 方法通过两阶段训练方式提升模型性能。尽管取得了显著进展，但这些方法显著增加了模型的参数量，从而需要更多的训练时间和计算资源。为解决上述问题，我们提出了一种用于 BIQA 的轻量级并行框架（LPF）。首先，我们利用预训练的特征提取网络提取视觉特征。此外，我们构建了一个简单而有效的特征嵌入网络（FEN）来转换视觉特征，旨在生成包含显著失真信息的潜在表示。为了提高潜在表示的鲁棒性，我们提出了两个新颖的自监督子任务，包括样本级类别预测任务和批次级质量比较任务。样本级类别预测任务旨在帮助模型进行粗粒度失真感知。批次级质量比较任务旨在增强训练数据，从而提高潜在表示的鲁棒性。最后，将潜在表示输入到失真感知质量回归网络（DaQRN）中，该网络模拟人类视觉系统（HVS）并生成准确的质量分数。在多个基准数据集上的实验结果表明，所提方法取得了优于最先进方法的性能。此外，广泛的分析证明，所提方法具有更低的计算复杂度和更快的收敛速度。
引用
@article{arxiv.2402.12043,
title = {A Lightweight Parallel Framework for Blind Image Quality Assessment},
author = {Qunyue Huang and Bin Fang},
journal= {arXiv preprint arXiv:2402.12043},
year = {2024}
}