AI 升采样图像的吸引力预测
图形学
2025-02-21 v1 人工智能
图像与视频处理
摘要
由于机器学习的不断改进，基于深度神经网络（DNN）或 AI 的升采样算法正日益流行。已发布的各种升采样模型使用 CNN、GAN 或混合方法。大多数模型都是使用 PSRN 和 SSIM 或仅使用少数示例图像进行评估的。然而，缺乏对广泛实际图像和主观评估的性能评估，这正是本文所要解决的问题。为此，我们描述了所开发的数据集，该数据集使用 136 个基准图像和五种不同的升采样方法，即 Real-ESRGAN、BSRGAN、waifu2x、KXNet 和 Lanczos。总体而言，该数据集由 1496 张标注图像组成。数据集的标注工作侧重于图像吸引力，使用我们开源工具 AVRate Voyager 进行众包。我们评估了不同方法的吸引力，结果表明 Real-ESRGAN 和 BSRGAN 最佳。此外，我们训练了一个 DNN 来检测不同升采样方法是否被使用，训练得到的模型在我们的评估中表现良好。除了此之外，我们评估了最新的图像吸引力和质量模型，结果显示这些模型没有表现出高水平的预测性能，因此我们还训练了两个自家的方法。第一个方法使用迁移学习，性能最佳；第二个模型使用基于信号的特征和随机森林模型，综合性能良好。我们分享数据和实现，以便进一步研究。
引用
@article{arxiv.2502.14013,
title = {Appeal prediction for AI up-scaled Images},
author = {Steve Göring and Rasmus Merten and Alexander Raake},
journal= {arXiv preprint arXiv:2502.14013},
year = {2025}
}