用于感知图像质量评估的深度集成方法
计算机视觉与模式识别
2023-05-17 v1 图像与视频处理
摘要
盲图像质量评估是一项具挑战性的任务，尤其因缺乏参考信息。训练深度神经网络需要大量训练数据，而图像质量领域并非随手可得。通常采用迁移学习克服此限制，并使用不同深度架构，因其以不同方式学习特征。经大量实验，我们设计了一个以两种 CNN 架构为子单元的深度架构。此外，提出一个自采集图像库 BIQ2021，含 12,000 张具自然失真图像。该自采集库经主观打分，用于模型训练与验证。结果表明，合成失真数据库无法提供超出库中所用失真类型的泛化能力，并非通用图像质量评估的理想选择。进而，使用含 1875 万张合成失真图像的大规模数据库预训练模型，再在基准库上微调评估。实验在六个基准库上进行，其中三个为合成失真库（LIVE、CSIQ 与 TID2013），三个为自然失真库（LIVE Challenge Database、CID2013 与 KonIQ-10k）。所提方法依次取得皮尔逊相关系数 0.8992、0.8472 与 0.9452，及斯皮尔曼相关系数 0.8863、0.8408 与 0.9421。此外，利用感知加权秩相关展示性能，以表明所提方法的感知优越性。通过在不同库子集上训练并在 BIQ2021 测试子集上验证，进行了多重实验以验证所提模型的泛化性能。
引用
@article{arxiv.2305.09141,
title = {Deep Ensembling for Perceptual Image Quality Assessment},
author = {Nisar Ahmed and H. M. Shahzad Asif and Abdul Rauf Bhatti and Atif Khan},
journal= {arXiv preprint arXiv:2305.09141},
year = {2023}
}