通过缓解语义噪声敏感性实现无参考图像质量评价的自适应特征选择
计算机视觉与模式识别
2025-06-17 v3
摘要
当前最先进的无参考图像质量评价（NR-IQA）方法通常依赖上游语义骨干网络进行特征提取，并假设所有提取的特征都是相关的。然而，我们观察到并非所有特征都有益，有些甚至可能有害，因此需要仔细选择。经验上，我们发现许多特征空间距离较小的图像对其质量评分可能差异巨大，这表明提取的特征可能包含大量与质量无关的噪声。为解决此问题，我们提出一种质量感知特征匹配IQA度量（QFM-IQM），它采用对抗视角从上游任务中移除有害的语义噪声特征。具体而言，QFM-IQM通过将质量评分相似但语义特征不同的图像对匹配为对抗语义噪声，并自适应调整上游任务特征以降低对对抗噪声扰动的敏感性，从而增强语义噪声区分能力。此外，我们利用蒸馏框架扩展数据集并提升模型的泛化能力。我们的方法在八个标准IQA数据集上取得了优于现有最先进NR-IQA方法的性能。
引用
@article{arxiv.2312.06158,
title = {Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity},
author = {Xudong Li and Timin Gao and Runze Hu and Yan Zhang and Shengchuan Zhang and Xiawu Zheng and Jingyuan Zheng and Yunhang Shen and Ke Li and Yutao Liu and Pingyang Dai and Rongrong Ji},
journal= {arXiv preprint arXiv:2312.06158},
year = {2025}
}