扪摄合成-真实鸿沟：基于失真引导的盲图像质量评估无监督域适应
计算机视觉与模式识别
2024-05-08 v1 图像与视频处理
摘要
盲图像质量评估(BIQA)的注释工作在实际图像上代价高昂且耗时。虽然在合成数据上进行训练有望有益，但合成训练的模型常因域差异导致在真实域表现不佳。在本工作中，我们首次观察到，在合成数据集中引入更多失真类型并不能提升甚至可能损害对真实图像质量评估的泛化能力。为解决此挑战，我们提出了一种基于失真引导的无监督域适应框架，用于BIQA（DGQA），该框架利用来自失真的先验知识通过自适应多域选择匹配源域和目标域的数据分布，从而减少来自异常源域的负迁移。我们在两种跨域设置（合成失真到真实失真，合成失真到算法失真）上进行了大量实验，证明了我们提出的DGQA的有效性。此外，DGQA与现有基于模型的BIQA方法是正交的，可与此类方法结合以更少的训练数据提升性能。
引用
@article{arxiv.2405.04167,
title = {Bridging the Synthetic-to-Authentic Gap: Distortion-Guided Unsupervised Domain Adaptation for Blind Image Quality Assessment},
author = {Aobo Li and Jinjian Wu and Yongxu Liu and Leida Li},
journal= {arXiv preprint arXiv:2405.04167},
year = {2024}
}
备注
Accepted by CVPR2024