无标注人体草图质量评估

兔子固然可爱，但你画的草图版本可能无法为它们正名（图~\ref{fig:intro}）。本文正是识别了这一问题，并首次研究了草图质量评估——让你能够找出这些画得很差的草图。我们的关键发现在于利用草图特征的大小（$L_2$ 范数）作为定量质量指标。我们提出了几何感知分类层 (GACL)，这是一种通用方法，使特征大小作为质量指标成为可能，且重要的是，它不需要来自人类的具体质量标注。GACL 将特征大小学习与可识别性学习视为一个对偶任务，可以在具有理论保证的简洁交叉熵分类损失下同时优化。这赋予了 GACL 良好的几何解释（质量越好，越容易识别），并使其对网络架构变化和底层草图表示均不敏感。通过对 160,000 次试验的大规模人类研究，我们确认了 GACL 导出的指标与人类质量感知之间的一致性。我们进一步展示了这种质量评估能力如何首次实现三个实用的草图应用。有趣的是，我们表明 GACL 不仅适用于草图等抽象视觉表示，还能很好地扩展到自然图像的图像质量评估 (IQA) 问题上。最后，我们阐明了 GACL 作为通用数据重加权策略的一般性质，并展示了其在噪声标签清洗等垂直问题中的应用。代码将在 github.com/yanglan0225/SketchX-Quantifying-Sketch-Quality 上公开发布。