面向无参考与全参考图像质量评估的深度神经网络
计算机视觉与模式识别
2017-12-11 v2
摘要
我们提出一种基于深度神经网络的图像质量评估（IQA）方法。该网络进行端到端训练，包含十个卷积层和五个池化层用于特征提取，以及两个全连接层用于回归，这使得它比相关的 IQA 模型显著更深。所提架构的独特之处在于：1）经过轻微调整，它既可用于无参考（NR）也可用于全参考（FR）IQA 设置；2）它允许在统一框架内联合学习局部质量与局部权重，即局部质量对全局质量估计的相对重要性。我们的方法完全由数据驱动，不依赖于手工设计的特征或关于人类视觉系统或图像统计的其他类型先验领域知识。我们在 LIVE、CISQ 和 TID2013 数据库以及 LIVE 自然场景图像质量挑战数据库上评估了所提方法，并展示了优于最先进的 NR 和 FR IQA 方法的性能。最后，跨数据库评估显示出在不同数据库间的高度泛化能力，表明所学特征具有高鲁棒性。
引用
@article{arxiv.1612.01697,
title = {Deep Neural Networks for No-Reference and Full-Reference Image Quality Assessment},
author = {Sebastian Bosse and Dominique Maniry and Klaus-Robert Müller and Thomas Wiegand and Wojciech Samek},
journal= {arXiv preprint arXiv:1612.01697},
year = {2017}
}