dipIQ：通过学习排序可判别图像对实现盲图像质量评价
计算机视觉与模式识别
2019-04-16 v1 多媒体
摘要
图像质量的客观评价在许多图像处理任务中至关重要。本工作中，我们聚焦于学习盲图像质量评价（BIQA）模型，该模型在无法获取原始 pristine 质量参考图像的情况下预测数字图像质量。学习 BIQA 模型的最大挑战之一，是巨大图像空间（其维度为图像像素数）与用于训练的极有限可靠真值数据之间的矛盾。此类数据通常通过主观测试收集，繁琐、缓慢且昂贵。此处我们首先表明，通过利用具有多样图像内容的大规模数据库，可以低成本自动获得大量可靠训练数据，形式为质量可判别图像对（DIP）。随后我们使用 RankNet（一种成对学习排序（L2R）算法），从数百万个各关联一个感知不确定性水平的 DIP 中学习一个意见无关 BIQA（OU-BIQA，意指训练不使用主观意见）模型，得到 DIP 推断质量（dipIQ）指标。在四个基准 IQA 数据库上的大量实验表明，dipIQ 优于最先进的 OU-BIQA 模型。dipIQ 的鲁棒性也经组最大差异化（gMAD）竞争方法确认得到显著提升。此外，我们通过在质量可判别图像列表（DIL）上使用 ListNet（一种列表级 L2R 算法）学习模型来扩展所提框架。所得的 DIL 推断质量（dilIQ）指标取得了额外的性能增益。
引用
@article{arxiv.1904.06505,
title = {dipIQ: Blind Image Quality Assessment by Learning-to-Rank Discriminable Image Pairs},
author = {Kede Ma and Wentao Liu and Tongliang Liu and Zhou Wang and Dacheng Tao},
journal= {arXiv preprint arXiv:1904.06505},
year = {2019}
}