深度神经网络用于盲图像质量评价：应对数据挑战
图像与视频处理
2021-09-28 v1 计算机视觉与模式识别
摘要
自然图像巨大的空间与多样性通常由少数小规模人工评分的图像质量评价（IQA）数据集表示。这给基于深度神经网络（DNN）的盲 IQA（BIQA）带来巨大挑战，其需要能代表自然图像分布的大规模训练数据。由于主观测试的限制，创建由数百万图像组成的人工评分 IQA 数据集极其困难。尽管许多工作聚焦于设计创新以提升基于 DNN 的 BIQA 性能，但解决 IQA 标注数据稀缺的尝试却出奇地缺失。为应对该数据挑战，我们构建了迄今最大的 IQA 数据库，即 Waterloo Exploration-II，其包含 3,570 张原始参考图像与约 345 万张单次及多次失真图像。由于对此大规模数据集进行主观测试几乎不可能，我们开发了一种新机制，为失真图像合成分配感知质量标签。我们构建了名为 EONSS 的基于 DNN 的 BIQA 模型，在 Waterloo Exploration-II 上训练，并在九个主观评分 IQA 数据集上测试，无任何重训练或微调。结果表明，凭借直截了当的 DNN 架构，EONSS 能够在质量预测性能与执行速度上均超越 BIQA 领域最先进的水平。本研究强烈支持如下观点：有意义标注训练数据的质与量，而非复杂网络架构或训练策略，是决定基于 DNN 的 BIQA 模型性能的主导因素。（注：由于此为进行中项目，Waterloo Exploration-II 数据库、质量标注与 EONSS 的最终版本将在项目完成后的未来公开提供。）
引用
@article{arxiv.2109.12161,
title = {Deep Neural Networks for Blind Image Quality Assessment: Addressing the Data Challenge},
author = {Shahrukh Athar and Zhongling Wang and Zhou Wang},
journal= {arXiv preprint arXiv:2109.12161},
year = {2021}
}
备注
22 pages, 7 figures, 16 tables