DeepDC：作为感知图像质量评价器的深度距离相关性
计算机视觉与模式识别
2023-11-27 v2 图像与视频处理
摘要
ImageNet 预训练的深度神经网络（DNNs）在构建有效的图像质量评估（IQA）模型方面表现出显著的迁移能力。这样一种非凡的副产品在以往研究中常被视为一种涌现属性。在本工作中，我们将此种能力归因于利用纹理特征对图像进行分类的内在纹理敏感特性。我们充分利用该特性，开发了一种仅基于预训练 DNN 特征的新型全参考 IQA（FR-IQA）模型。具体而言，我们在深度特征域中计算参考图像与失真图像之间的距离相关性——一种极具前景但相对未被充分研究的统计量。此外，距离相关性量化了线性和非线性特征关系，远超出特征空间中广泛使用的的一阶与二阶统计量。我们开展了全面实验，在五个标准 IQA 数据集、一个感知相似性数据集、两个纹理相似性数据集以及一个几何变换数据集上证明了所提质量模型的优越性。此外，我们将所提模型优化以生成广泛的纹理模式谱，将其作为神经风格迁移（NST）的风格损失函数。大量实验表明，所提纹理合成与 NST 方法取得了最佳的定量与定性结果。我们在 https://github.com/h4nwei/DeepDC 发布了代码。
引用
@article{arxiv.2211.04927,
title = {DeepDC: Deep Distance Correlation as a Perceptual Image Quality Evaluator},
author = {Hanwei Zhu and Baoliang Chen and Lingyu Zhu and Shiqi Wang and Weisi Lin},
journal= {arXiv preprint arXiv:2211.04927},
year = {2023}
}