DeepWSD：将感知空间中的退化投影至深度特征空间中的Wasserstein距离
图像与视频处理
2022-09-21 v1 计算机视觉与模式识别
摘要
现有基于深度学习的全参考图像质量评价（FR-IQA）模型通常以确定性方式通过比较特征来预测图像质量，依据对应特征偏离参考图像空间的程度来衡量图像失真严重性。本文从另一视角看待该问题，提出从统计分布角度对感知空间中的质量退化建模。据此，质量基于深度特征域中的 Wasserstein 距离度量。更具体地，测量预训练 VGG 网络各阶段的 1D Wasserstein 距离，并据此给出最终质量分数。在神经网络特征上计算的深度 Wasserstein 距离（DeepWSD）能更好地解释各类失真引起的质量污染，并展现出先进的质量预测能力。大量实验与理论分析显示了所提 DeepWSD 在质量预测与优化两方面的优越性。
引用
@article{arxiv.2208.03323,
title = {DeepWSD: Projecting Degradations in Perceptual Space to Wasserstein Distance in Deep Feature Space},
author = {Xingran Liao and Baoliang Chen and Hanwei Zhu and Shiqi Wang and Mingliang Zhou and Sam Kwong},
journal= {arXiv preprint arXiv:2208.03323},
year = {2022}
}
备注
ACM Multimedia 2022 accepted thesis