DeepFL-IQA：用于深度 IQA 特征学习的弱监督方法
图像与视频处理
2020-01-23 v1 计算机视觉与模式识别
摘要
多层次深度特征一直是美学和图像质量评估（IQA）最先进方法的驱动力。然而，大多数 IQA 基准由人工失真图像组成，为此从 ImageNet 派生的特征表现不佳。我们提出了一种新的 IQA 数据集和一种弱监督特征学习方法，以训练更适合人工失真图像 IQA 的特征。该数据集 KADIS-700k 远比同类工作广泛，包含 140,000 张原始图像、25 种失真类型，总计 700k 张失真版本。我们的弱监督特征学习被设计为多任务学习类型的训练，使用十一种现有全参考 IQA 指标作为差分平均意见分数的代理。我们还引入了一个基准数据库 KADID-10k，由人工退化图像组成，每张由 30 名众包工作者主观标注。我们利用导出的图像特征向量进行（无参考）图像质量评估，在该数据库及另外五个基准 IQA 数据库上训练并测试一个浅层回归网络。我们的方法称为 DeepFL-IQA，在 KADID-10k 上优于其他基于特征的无参考 IQA 方法，也优于所有被测全参考 IQA 方法。对于另外五个基准 IQA 数据库，DeepFL-IQA 平均匹配了现有最佳端到端基于深度学习方法的表现。
引用
@article{arxiv.2001.08113,
title = {DeepFL-IQA: Weak Supervision for Deep IQA Feature Learning},
author = {Hanhe Lin and Vlad Hosu and Dietmar Saupe},
journal= {arXiv preprint arXiv:2001.08113},
year = {2020}
}
备注
dataset url: http://database.mmsp-kn.de