Ada-DQA：用于视频质量评估的自适应多样质量感知特征获取
计算机视觉与模式识别
2023-08-03 v1
摘要
视频质量评估（VQA）近年来吸引了越来越多的关注。然而大规模 VQA 数据集标注的巨大开销已成为当前深度学习方法的主要障碍。为克服训练数据不足的约束，本文中我们首先考虑视频分布多样性（即内容、失真、运动）的完整范围，并采用多样的预训练模型（如架构、 pretext 任务、预训练数据集）以裨益质量表征。提出一种自适应多样质量感知特征获取（Ada-DQA）框架来捕获由这些冻结预训练模型生成的所需质量相关特征。通过利用质量感知获取模块（QAM），该框架能够提取更本质且相关的特征来表示质量。最后，学习到的质量表征被用作补充监督信息，连同标注质量分数的监督，以知识蒸馏方式指导相对轻量的 VQA 模型训练，大幅降低了推理时的计算成本。在三个主流无参考 VQA 基准上的实验结果清晰显示了 Ada-DQA 相较于当前最先进方法在不使用额外 VQA 训练数据下的优越性能。
引用
@article{arxiv.2308.00729,
title = {Ada-DQA: Adaptive Diverse Quality-aware Feature Acquisition for Video Quality Assessment},
author = {Hongbo Liu and Mingda Wu and Kun Yuan and Ming Sun and Yansong Tang and Chuanchuan Zheng and Xing Wen and Xiu Li},
journal= {arXiv preprint arXiv:2308.00729},
year = {2023}
}
备注
10 pages, 5 figures, to appear in ACM MM 2023