DGIQA：面向泛化图像质量评估的深度引导特征注意力与精炼
计算机视觉与模式识别
2025-06-02 v1
摘要
从人类主观感知中学习无参考图像质量评估（NR-IQA）的一个长期存在的挑战是缺乏对未见自然失真的客观泛化能力。为了解决这个问题，我们集成了一种新颖的深度引导交叉注意力与精炼机制，该机制将场景深度和空间特征提炼为结构感知表示，以改进 NR-IQA。这引入了场景的对象显著性和相对对比度知识，以进行更具判别性的特征学习。此外，我们引入了 TCB（Transformer-CNN 桥接）的概念，将来自 Transformer 主干的高级全局上下文依赖与由一组分层 CNN（卷积神经网络）层捕获的局部空间特征相融合。我们将 TCB 和 Depth-CAR 实现为基于多模态注意力的投影函数，以选择最具信息量的特征，这也同时改善了训练时间和推理效率。实验结果表明，我们提出的 DGIQA 模型在合成和真实基准数据集上均取得了最先进的（SOTA）性能。更重要的是，DGIQA 在跨数据集评估以及在评估自然图像失真（如低光照效应、雾霾条件和镜头眩光）方面均优于 SOTA 模型。
引用
@article{arxiv.2505.24002,
title = {DGIQA: Depth-guided Feature Attention and Refinement for Generalizable Image Quality Assessment},
author = {Vaishnav Ramesh and Junliang Liu and Haining Wang and Md Jahidul Islam},
journal= {arXiv preprint arXiv:2505.24002},
year = {2025}
}
备注
18 pages