面向盲图像质量评价的持续学习
计算机视觉与模式识别
2022-05-27 v2 图像与视频处理
摘要
图像数据的爆炸式增长促进了面向新兴视觉应用的图像处理和计算机视觉方法的快速发展，同时也给处理后的图像带来了新颖失真。这给现有盲图像质量评价（BIQA）模型带来了巨大挑战，使其无法持续适应此类子群体偏移。近期工作建议在全部可用的人评IQA数据集组合上训练BIQA方法。然而，这类方法难以扩展到大量数据集，且繁琐于并入新创建的数据集。在本文中，我们形式化了BIQA的持续学习，其中模型从IQA数据集流中持续学习，建立在先前所见数据所学之上。我们首先在新设定下明确了五项需求，并以一种度量来量化可塑性-稳定性权衡。随后我们提出了一种简单而有效的BIQA模型持续学习方法。具体地，基于共享骨干网络，我们为新的数据集添加一个预测头，并施加正则化项使所有预测头随新数据演化，同时抵抗对旧数据的灾难性遗忘。我们通过所有预测头估计值的自适应加权和计算质量分数。大量实验证明了所提持续学习方法相较于标准BIQA训练技术的潜力。我们在 https://github.com/zwx8981/BIQA_CL 公开了代码。
引用
@article{arxiv.2102.09717,
title = {Continual Learning for Blind Image Quality Assessment},
author = {Weixia Zhang and Dingquan Li and Chao Ma and Guangtao Zhai and Xiaokang Yang and Kede Ma},
journal= {arXiv preprint arXiv:2102.09717},
year = {2022}
}
备注
Accepted to IEEE TPAMI