用于改进图像质量评估的Conformer与盲噪声学生模型
图像与视频处理
2022-04-28 v1 计算机视觉与模式识别
摘要
用于图像恢复、增强和生成的生成模型显著提高了生成图像的质量。令人惊讶的是，这些模型产生的图像比其他方法更令人眼愉悦，然而，使用传统感知质量指标（如PSNR或SSIM）时，它们可能获得较低的感知质量分数。因此，有必要开发一种定量指标来反映新算法的性能，该指标应与人的平均意见得分（MOS）高度一致。基于学习的感知图像质量评估（IQA）方法通常需要失真图像和参考图像两者才能准确测量感知质量。然而，通常只有失真或生成的图像可用。在本工作中，我们探索了基于Transformer的全参考IQA模型的性能。我们还提出了一种基于半监督知识蒸馏的IQA方法，使用带噪声的伪标记数据，将全参考教师模型的知识迁移到盲学生模型中。我们的方法在NTIRE 2022感知图像质量评估挑战赛中取得了有竞争力的结果：我们的全参考模型排名第4，我们的盲噪声学生模型在70名参赛者中排名第3，均在其各自的赛道中。
引用
@article{arxiv.2204.12819,
title = {Conformer and Blind Noisy Students for Improved Image Quality Assessment},
author = {Marcos V. Conde and Maxime Burchi and Radu Timofte},
journal= {arXiv preprint arXiv:2204.12819},
year = {2022}
}
备注
CVPR NTIRE 2022