基于神经网络的屏幕内容图像质量评估深度优化模型
计算机视觉与模式识别
2019-03-05 v1
摘要
本文提出一种基于深度卷积神经网络的新颖二次优化模型(QODCNN)，用于全参考与无参考屏幕内容图像(SCI)质量评估。不同于将全部图像块作为训练数据并采用平均质量池化的传统 CNN 方法，我们的模型经优化获得包含三步的更有效模型。第一步，训练端到端深度 CNN 初步预测图像视觉质量，并采用批归一化(BN)层与 l2 正则化提升网络拟合速度与性能。第二步，在分析原始训练数据基础上对预训练模型微调以获得更优性能。第三步提出自适应加权方法，受人类视觉系统(HVS)对含纹理与边缘信息图像块敏感这一感知特性启发融合局部质量。我们算法的创新可归纳如下：1) 考虑局部质量与主观差分平均意见分(DMOS)间相关性，利用欧氏距离度量图像块有效性，并以更有效训练数据微调预训练模型；2) 采用自适应池化方法融合文本与图像区域块质量，其仅从失真图像提取的特征具备强噪声鲁棒性，并对 FR 与 NR IQA 均有效；3) 考虑 SCI 特性，设计一种深度且有效的网络架构用于 SCI 的 NR 与 FR 视觉质量评价。实验结果验证我们的模型在基准屏幕内容图像质量评估数据库(SIQAD)上优于当前无参考与全参考图像质量评估方法。
引用
@article{arxiv.1903.00705,
title = {Deep Optimization model for Screen Content Image Quality Assessment using Neural Networks},
author = {Xuhao Jiang and Liquan Shen and Guorui Feng and Liangwei Yu and Ping An},
journal= {arXiv preprint arXiv:1903.00705},
year = {2019}
}
备注
12pages, 9 figures