一种注意力驱动的无参考图像质量评估方法
计算机视觉与模式识别
2017-05-30 v3
摘要
本文提出了一种新的无参考图像质量评估方法，旨在不使用任何参考图像的情况下预测给定图像的感知质量分数。该方法利用了三个功能： 视觉注意力机制，它影响视觉感知的诸多方面（包括图像质量评估），但在 NR-IQA 文献中被忽视。该方法假设图像上的注视区域包含 IQA 过程的关键信息。 鲁棒平均策略，这是一种受心理学研究支持的整合多步/逐步证据以做出最终感知判断的手段。 多任务学习，这被认为是塑造表征学习的有效手段，并能产生更具泛化性的模型。为利用这三者的协同作用，我们将 NR-IQA 视为一个动态感知过程，其中模型对一系列“信息丰富”的区域进行采样并聚合信息，以学习用于联合预测图像质量分数和失真类型的表征。模型学习通过强化策略实现，其中两个任务的奖励共同指导最优采样策略的学习，以获取“任务信息丰富”的图像区域，从而能够准确且高效（就采样步数而言）地进行预测。该强化学习由采用策略梯度方法的深度网络实现，并通过反向传播进行训练。实验中，该模型在 TID2008 数据集上进行了测试，其性能优于数种 state-of-the-art 方法。此外，该模型非常高效，因为在 NR-IQA 中仅使用了少量的注视点。
引用
@article{arxiv.1612.03530,
title = {An Attention-Driven Approach of No-Reference Image Quality Assessment},
author = {Diqi Chen and Yizhou Wang and Tianfu Wu and Wen Gao},
journal= {arXiv preprint arXiv:1612.03530},
year = {2017}
}
备注
9 pages, 7 figures