面向深度无参考图像质量预测的概率质量表示方法
计算机视觉与模式识别
2017-12-06 v2
摘要
由于无法获取参考图像，无参考图像质量评估（BIQA）仍然是一个非常具有挑战性的问题。近年来，基于深度学习的 BIQA 方法受到越来越多的关注，然而由于带有人类主观评分的训练样本数量非常有限，训练一个鲁棒的深度 BIQA 模型仍然是一项困难的任务。现有的大多数方法学习一个回归网络，以最小化标量图像质量分数的预测误差。然而，这种方案忽略了一个事实，即一幅图像会从不同受试者那里获得有分歧的主观评分，这无法由单个标量数字充分表示。对于复杂的、真实世界的失真图像而言尤其如此。此外，图像在所分配主观评分的分布上可能存在广泛差异。认识到这一点，我们提出了一种新的感知图像质量表示方法，称为概率质量表示（PQR），用于描述图像主观评分分布，从而可以采用更鲁棒的损失函数来训练深度 BIQA 模型。结果表明，所提出的 PQR 方法不仅加快了深度模型训练的收敛速度，而且相对于标量质量分数回归方法，还极大地提高了质量预测精度的可达到水平。源代码可在 https://github.com/HuiZeng/BIQA_Toolbox 获取。
引用
@article{arxiv.1708.08190,
title = {A Probabilistic Quality Representation Approach to Deep Blind Image Quality Prediction},
author = {Hui Zeng and Lei Zhang and Alan C. Bovik},
journal= {arXiv preprint arXiv:1708.08190},
year = {2017}
}
备注
Add the link of source code