面向完全盲图像质量评价的深层形状-纹理统计
计算机视觉与模式识别
2024-01-17 v1 多媒体
摘要
无参考盲图像质量评价（OU-BIQA）模型旨在不依赖参考图像和主观质量分数训练的情况下预测图像质量。其中，图像统计比较是一种经典范式，但其性能受限于视觉描述符的表示能力。深度特征作为视觉描述符在近期研究中推动了图像质量评价（IQA）的发展，但人们发现它们高度偏向纹理而缺乏形状偏向。在此基础上，我们发现图像的形状和纹理线索对失真的响应不同，缺少任何一种都会导致不完整的图像表示。因此，为了构建全面的图像统计描述，我们同时利用深度神经网络（DNN）产生的形状偏向和纹理偏向的深度特征。更具体地说，我们设计了一个形状-纹理自适应融合（STAF）模块来合并形状和纹理信息，并在此基础上构建与质量相关的图像统计量。感知质量通过内部和外部形状-纹理统计（DSTS）之间的变异马氏距离来量化，其中内部和外部统计分别描述了失真图像和自然图像的质量指纹。所提出的DSTS巧妙地利用了深度域中不同数据尺度之间的形状-纹理统计关系，在具有人工和真实失真的图像上实现了最先进（SOTA）的质量预测性能。
引用
@article{arxiv.2401.08107,
title = {Deep Shape-Texture Statistics for Completely Blind Image Quality Evaluation},
author = {Yixuan Li and Peilin Chen and Hanwei Zhu and Keyan Ding and Leida Li and Shiqi Wang},
journal= {arXiv preprint arXiv:2401.08107},
year = {2024}
}