面向跨数据集鲁棒性的盲真实世界图像质量评估方法
计算机视觉与模式识别
2023-09-27 v1 图像与视频处理
摘要
尽管针对盲图像质量评估（BIQA）已提出许多有效模型和真实世界数据集，近期的 BIQA 模型往往倾向于拟合特定训练集。因此，准确且鲁棒地度量任意真实世界图像的视觉质量仍然困难。本文从三个方面设计了一种鲁棒的 BIQA 方法，即可鲁棒的训练策略、大规模真实世界数据集和强大的骨干网络。首先，基于流行且最先进的（SOTA）Swin-Transformer（SwinT）在不同真实世界 BIQA 数据集上分别训练多个独立模型。然后，联合使用这些有偏的基于 SwinT 的模型生成伪标签，其采用两幅随机图像相对质量的概率而非固定质量分数。随后提出一个含 1,000,000 个图像对及伪标签的大规模真实世界图像数据集用于训练最终的跨数据集鲁棒模型。跨数据集测试的实验结果表明，所提方法的性能甚至优于一些直接在这些数据集上训练的 SOTA 方法，从而验证了本方法的鲁棒性与泛化能力。
引用
@article{arxiv.2309.14868,
title = {Cross-Dataset-Robust Method for Blind Real-World Image Quality Assessment},
author = {Yuan Chen and Zhiliang Ma and Yang Zhao},
journal= {arXiv preprint arXiv:2309.14868},
year = {2023}
}
备注
10 pages, 6 figures