适配用于高动态范围显示器的图像质量评估的预训练网络
计算机视觉与模式识别
2024-05-02 v1 图像与视频处理
摘要
传统图像质量指标（IQMs）如 PSNR 和 SSIM 设计用于感知均匀的 gamma 编码像素值，无法直接应用于感知非均匀的线性高动态范围（HDR）颜色。同样，大多数现有数据集由在标准和可能不可控查看条件下收集的标准动态范围（SDR）图像构成。流行的预训练神经网络也针对 SDR 输入进行训练，限制了其直接应用于 HDR 内容。相反，由于可用的 HDR 数据有限，从头训练 HDR 模型具有挑战性。本文探索了更有效的训练深度学习基于图像质量评估（IQA）HDR 数据模型的方法。我们利用在 SDR 数据上预训练的网络（源域），并通过额外的微调和域适应将这些模型重新定位到 HDR（目标域）。我们在可用 HDR IQA 数据集上验证了这些方法，表明使用我们组合方法训练的模型在性能上优于先前的基线，收敛速度更快，且能可靠地对 HDR 输入进行泛化。
引用
@article{arxiv.2405.00670,
title = {Adapting Pretrained Networks for Image Quality Assessment on High Dynamic Range Displays},
author = {Andrei Chubarau and Hyunjin Yoo and Tara Akhavan and James Clark},
journal= {arXiv preprint arXiv:2405.00670},
year = {2024}
}
备注
7 pages, 3 figures, 3 tables. Submitted to Human Vision and Electronic Imaging 2024 (HVEI)