ARNIQA：面向图像质量评估的失真流形学习
计算机视觉与模式识别
2023-11-08 v2
摘要
无参考图像质量评估（NR-IQA）旨在开发无需高质量参考图像即可与人类感知一致地度量图像质量的方法。本工作中，我们提出一种名为 ARNIQA（leArning distoRtion maNifold for Image Quality Assessment，面向图像质量评估的失真流形学习）的自监督方法，用于建模图像失真流形，以内在方式获取质量表征。首先，我们引入一种图像退化模型，随机组合按顺序连续施加的失真序列。由此，我们可以用大量多样的退化模式合成地退化图像。其次，我们提出通过最大化不同图像中同等失真但内容各异的图块表征之间的相似性来训练模型。因此，以相同方式退化的图像对应于失真流形中的相邻位置。最后，我们用一个简单的线性回归器将图像表征映射到质量分数，从而无需微调编码器权重。实验表明，我们的方法在多个数据集上取得了最先进的性能。此外，与竞争方法相比，ARNIQA 展现出更好的数据效率、泛化能力和鲁棒性。代码和模型公开于 https://github.com/miccunifi/ARNIQA。
引用
@article{arxiv.2310.14918,
title = {ARNIQA: Learning Distortion Manifold for Image Quality Assessment},
author = {Lorenzo Agnolucci and Leonardo Galteri and Marco Bertini and Alberto Del Bimbo},
journal= {arXiv preprint arXiv:2310.14918},
year = {2023}
}
备注
WACV2024