单调性评估中用于质量评估的可微低计算全局相关损失
图像与视频处理
2025-01-28 v1 计算机视觉与模式识别
摘要
本文提出了一种用于质量评估的全局单调性一致性训练策略，包括一种可微且计算开销低的单调性评估损失函数和一种全局感知训练机制。具体而言，与常规排序损失和线性规划方法不同，后者间接实现斯佩尔曼秩序相关系数（SROCC）函数，我们的方法通过使SROCC内部排序操作的可微性和功能化，直接将SROCC转换为损失函数。此外，为缓解网络训练期间批处理优化与SROCC全局评估之间的差异， 我们引入了记忆库机制。该机制存储来自前述批次的无梯度预测结果，并用于当前批次的训练，以防止梯度突变。我们在图像和点云质量评估任务上评估了所提方法的性能，证明两种情况下均性能提升。
关键词
引用
@article{arxiv.2501.15485,
title = {Differentiable Low-computation Global Correlation Loss for Monotonicity Evaluation in Quality Assessment},
author = {Yipeng Liu and Qi Yang and Yiling Xu},
journal= {arXiv preprint arXiv:2501.15485},
year = {2025}
}