一种无监督信息论感知质量度量
计算机视觉与模式识别
2021-01-12 v3
摘要
人类感知的可处理模型已被证明难以构建。诸如 MS-SSIM 等手工设计模型因其简单与快速仍是人类图像质量判断的流行预测器。近期的现代深度学习方法表现更佳，但依赖监督数据，而收集成本高昂：如 ImageNet 的大型类别标签集、图像质量评分或二者兼具。我们将信息论目标函数的最新进展与受人类视觉系统生理学启发的计算架构及基于视频帧对的无监督训练相结合，得到我们的感知信息度量（PIM）。我们表明 PIM 在近期具挑战性的 BAPPS 图像质量评估数据集上与有监督度量相当，并在 CLIC 2020 中预测图像压缩方法排序时优于它们。我们还使用 ImageNet-C 数据集进行定性实验，并确定 PIM 对架构细节具有鲁棒性。
引用
@article{arxiv.2006.06752,
title = {An Unsupervised Information-Theoretic Perceptual Quality Metric},
author = {Sangnie Bhardwaj and Ian Fischer and Johannes Ballé and Troy Chinen},
journal= {arXiv preprint arXiv:2006.06752},
year = {2021}
}
备注
19 pages, 10 figures. Presented at NeurIPS 2020. Code available at https://github.com/google-research/perceptual-quality