(ASNA) 一种基于注意力机制的孪生差异神经网络与代理排序损失函数用于感知图像质量评价
计算机视觉与模式识别
2021-09-17 v1 机器学习
图像与视频处理
摘要
近来，利用对抗训练框架进行图像复原与增强的深度卷积神经网络（DCNN）显著提升了处理图像的清晰度。令人惊讶的是，尽管这些DCNN在视觉上比其他方法生成了更清晰的图像，但当采用流行指标评价时，它们可能得到更低的质量分数。因此有必要开发一种定量度量以反映其性能，并与图像的感知质量良好对齐。著名的定量指标如峰值信噪比（PSNR）、结构相似性指数测度（SSIM）和感知指数（PI）与图像的均值意见分（MOS）相关性不佳，尤其对于以对抗损失函数训练的神经网络。本文提出了一种使用传统孪生网络扩展架构（即孪生差异神经网络）的卷积神经网络。我们为该架构配备了空间与通道注意力机制以提升方法性能。最后，我们采用了一个辅助损失函数训练模型。所提出的附加代价函数代理排序损失，以在关于神经网络参数可微的同时提升Spearman秩相关系数。我们的方法在NTIRE 2021感知图像质量评价挑战赛中取得了优越性能。我们提出方法的实现已公开可用。
引用
@article{arxiv.2105.02531,
title = {(ASNA) An Attention-based Siamese-Difference Neural Network with Surrogate Ranking Loss function for Perceptual Image Quality Assessment},
author = {Seyed Mehdi Ayyoubzadeh and Ali Royat},
journal= {arXiv preprint arXiv:2105.02531},
year = {2021}
}