面向 360 度 IQA 的嵌入驱动数据蒸馏与残差感知优化
计算机视觉与模式识别
2025-12-22 v2 机器学习
摘要
本文识别并解决了数据驱动的 360 度图像质量评估 (IQA) 中的一个基本瓶颈：缺乏智能的样本级数据选择。因此，我们提出了一个新颖的框架，在图像块采样与模型训练之间引入了关键的优化步骤。我们贡献的核心是一种基于嵌入相似性的选择算法，该算法将初始的、可能冗余的图像块集合蒸馏为一个紧凑的、信息量最大化的子集。这被表述为一个正则化优化问题，利用残差分析在低维空间中保留内在的感知关系，并显式过滤掉不相关或冗余的样本。在三个基准数据集 (CVIQ, OIQA, MVAQD) 上的大量实验表明，我们的选择方法使基线模型在仅保留 40-50% 图像块的情况下，即可匹配或超越使用所有采样数据的性能。特别是，我们通过将该方法与几种 state-of-the-art IQA 模型（包括基于 CNN 和 transformer 的架构）相结合，证明了其普遍适用性，易于部署，且始终能使它们在计算负载减少 20-40% 的情况下保持或提高性能。本研究确立了自适应的采样后数据优化是实现高效且鲁棒的 360 度 IQA 的强大且广泛适用的策略。
关键词
引用
@article{arxiv.2412.12667,
title = {Embedding-Driven Data Distillation for 360-Degree IQA With Residual-Aware Refinement},
author = {Abderrezzaq Sendjasni and Seif-Eddine Benkabou and Mohamed-Chaker Larabi},
journal= {arXiv preprint arXiv:2412.12667},
year = {2025}
}
备注
Submitted to IEEE Transactions on Image Processing