基于对比学习的无参考图像质量评估中的对比局部流形学习
计算机视觉与模式识别
2025-10-14 v2
摘要
图像质量评估 (IQA) 方法通常忽略局部流形结构，导致在感知质量评估中的判别能力受到损害。为解决这一局限性，我们提出了 LML-IQA，一种创新的无参考 IQA (NR-IQA) 方法，结合了局部流形学习和对比学习。我们的 approach 首先从每张图像中提取多个补丁，并识别最具视觉显著性的区域。该显著补丁作为对比学习的正样本，而来自同一图像的其他补丁则作为 intra-class 负样本以保留局部差异性。来自不同图像的补丁也作为 inter-class 负样本以增强特征分离。此外，我们引入了互学习策略以提高模型识别和优先考虑视觉重要区域的能力。广泛的实验在八个基准数据集上进行，显示在 TID2013 上（从 0.908 提升至 0.942）和 CSIQ 上（从 0.965 提升至 0.977）均实现了显著的性能提升。
引用
@article{arxiv.2406.19247,
title = {Contrastive Local Manifold Learning for No-Reference Image Quality Assessment},
author = {Zihao Huang and Runze Hu and Timin Gao and Yan Zhang and Yunhang Shen and Ke Li},
journal= {arXiv preprint arXiv:2406.19247},
year = {2025}
}