基于gMAD例子的主动微调改进盲图像质量评价

图像质量评价（IQA）研究历史悠久，借助深度神经网络（DNNs）的近期进展已取得显著进步。尽管在现有IQA数据集上相关性数值很高，基于DNN的模型仍可能在组最大微分（gMAD）竞争中被轻易证伪，并识别出强反例。本文表明gMAD例子可用于改进盲IQA（BIQA）方法。具体而言，我们首先使用多个含噪标注者预训练基于DNN的BIQA模型，并在多个合成失真图像的主观评分数据库上微调，得到性能顶尖的基线模型。然后我们通过将基线模型与一组全参考IQA方法在gMAD中比较来寻找图像对。所得gMAD例子最可能揭示基线的相对弱点，并提示潜在的改进方向。我们在受控良好的实验室环境中查询所选图像的地面真实质量标注，并进一步在来自gMAD和现有数据库的主观评分图像组合上微调基线。该过程可迭代，实现从gMAD例子对BIQA的主动渐进微调。我们在大规模无标注图像集上证明了主动学习方案的可行性，并表明微调后的方法在gMAD中泛化性提升，且不破坏在先前训练数据库上的性能。