利用加噪深度学习图像集发现图像质量评估的局限性

图像质量十分重要，会因诸多原因影响图像处理与计算机视觉中的整体性能。因此图像质量评估（IQA）在从航拍解译到目标检测到医学图像分析的不同应用中均为关键任务。在先前研究中，BRISQUE 算法与 PSNR 算法曾在高分辨率（至少 512x384 像素）、但相对小规模图像集（不超过 4,744 张图像）上被评估。然而，科学家尚未在低分辨率（不超过 32x32 像素）、多扰动、大规模图像集（例如至少 60,000 张不同图像，不含其扰动版本）上评估 IQA 算法。本研究通过实验探究这两种 IQA 算法。我们首先选取两个深度学习图像集 CIFAR-10 与 MNIST。随后，我们添加 68 种按特定顺序与噪声强度对图像加噪的扰动。此外，我们追踪了两种 IQA 算法在单扰动与多扰动图像上的性能输出。在定量分析实验结果后，我们报告了这两种 IQA 在加噪 CIFAR-10 与 MNIST 图像集上的局限性，并解释了性能退化的三个潜在根本原因。这些发现指出了两种 IQA 算法的弱点。研究结果为开发准确、鲁棒的 IQA 算法的科学家与工程师提供了指导。所有源代码、相关图像集与图表均已分享于网站（https://github.com/caperock/imagequality）以支持未来科学与工业项目。