Hallucinated-IQA：基于对抗学习的无参考图像质量评价
计算机视觉与模式识别
2018-04-06 v1
摘要
无参考图像质量评价（NR-IQA）是底层计算机视觉领域中基础却极具挑战的任务。在信息有限的情况下该困难尤为突出，因为通常缺少用于比较的对应参考图像。尽管先前方法从自然场景统计到深度神经网络采用了多种特征提取机制，性能瓶颈依然存在。本工作中，我们提出一种幻觉引导的质量回归网络来解决该问题。我们首先在失真图像约束下生成幻觉参考，以补偿真实参考的缺失。随后，我们将幻觉参考信息与失真图像配对，并输入回归器，在生成器内隐式排序关系的引导下学习感知差异，从而产出精确的质量预测。为证明方法的有效性，我们在四个流行的图像质量评价基准上进行了综合实验。我们的方法以显著优势大幅超越此前所有 SOTA 方法。代码与模型将在项目主页 https://kwanyeelin.github.io/projects/HIQA/HIQA.html 公开。
引用
@article{arxiv.1804.01681,
title = {Hallucinated-IQA: No-Reference Image Quality Assessment via Adversarial Learning},
author = {Kwan-Yee Lin and Guanxiang Wang},
journal= {arXiv preprint arXiv:1804.01681},
year = {2018}
}
备注
Accepted to CVPR2018