内容多样化的比较改进 IQA
计算机视觉与模式识别
2022-11-11 v1
摘要
图像质量评估（IQA）对人类而言是自然且通常直截了当的任务，然而该任务的有效自动化仍极具挑战。深度学习界近期指标常在训练时比较图像对，以改进 PSNR 或 SSIM 等传统指标。然而，当前比较忽略了图像内容影响质量评估这一事实，因为比较仅发生在内容相似的图像之间。这限制了模型在训练时所接触的图像对多样性和数量。本文中，我们力求以内容多样性丰富这些比较。首先，我们放宽比较约束，对内容不同的图像对进行比较，这增加了可用比较的多样性。其次，我们引入列表式比较，为模型提供整体视角。通过包含由相关系数导出的可微正则化项，模型能更好地相对调整预测分数。在涵盖广泛失真与图像内容的多个基准上的评估显示了我们学习方案训练图像质量评估模型的有效性。
引用
@article{arxiv.2211.05215,
title = {Content-Diverse Comparisons improve IQA},
author = {William Thong and Jose Costa Pereira and Sarah Parisot and Ales Leonardis and Steven McDonagh},
journal= {arXiv preprint arXiv:2211.05215},
year = {2022}
}
备注
Accepted at British Machine Vision Conference (BMVC) 2022