GMC-IQA：利用全局相关性与平均意见一致性进行无参考图像质量评估
计算机视觉与模式识别
2024-01-22 v1
摘要
由于图像质量评估（IQA）的主观性质，在一序列图像中评估哪张图像具有更好的质量，比为单张图像分配绝对平均意见分数更为可靠。因此，IQA 模型通过 PLCC 和 SROCC 等全局相关性一致性（GCC）指标进行评估，而非 MAE 和 MSE 等平均意见一致性（MOC）指标。然而，由于训练期间 GCC 指标的计算不可行，大多数现有方法采用 MOC 指标来定义其损失函数。在本工作中，我们构建了一个新的损失函数和网络以利用全局相关性与平均意见一致性，构成了 GMC-IQA 框架。具体而言，我们通过定义基于成对偏好的排序估计来提出一种新的 GCC 损失，以解决 SROCC 的不可微问题，并引入队列机制来保留先前的数据，以近似整个数据的全局结果。此外，我们提出了一个平均意见网络，该网络集成了多样化的意见特征，以减轻权重学习的随机性并增强模型的鲁棒性。实验表明，我们的方法在多个真实数据集上以更高的准确性和泛化能力优于 SOTA 方法。我们还将所提出的损失适应于各种网络，带来了更好的性能和更稳定的训练。
引用
@article{arxiv.2401.10511,
title = {GMC-IQA: Exploiting Global-correlation and Mean-opinion Consistency for No-reference Image Quality Assessment},
author = {Zewen Chen and Juan Wang and Bing Li and Chunfeng Yuan and Weiming Hu and Junxian Liu and Peng Li and Yan Wang and Youqun Zhang and Congxuan Zhang},
journal= {arXiv preprint arXiv:2401.10511},
year = {2024}
}