面向无参考全向图像质量评估的层次图注意力网络
计算机视觉与模式识别
2025-08-14 v1
摘要
当前的全向图像质量评估（OIQA）方法难以评估局部非均匀失真，原因在于对质量空间变化的建模不足，以及缺乏能同时捕捉局部细节和全局上下文的特征表示。为解决此问题，我们提出了一种基于图神经网络的全向图像质量评估框架，该框架显式地建模视口之间的结构关系，以增强对空间失真非均匀性的感知。我们的方法采用斐波那契球面采样生成具有良好结构拓扑的视口，并将每个视口表示为一个图节点。然后，多阶段特征提取网络推导出高维节点表示。为了全面捕捉空间依赖关系，我们集成了一个图注意力网络（GAT）来建模相邻视口间的细粒度局部失真变化，以及一个图Transformer来捕捉远距离区域间的长程质量交互。在两个具有复杂空间失真的大规模全向图像质量评估数据库上进行的大量实验表明，我们的方法显著优于现有方法，证实了其有效性和强大的泛化能力。
引用
@article{arxiv.2508.09843,
title = {Hierarchical Graph Attention Network for No-Reference Omnidirectional Image Quality Assessment},
author = {Hao Yang and Xu Zhang and Jiaqi Ma and Linwei Zhu and Yun Zhang and Huan Zhang},
journal= {arXiv preprint arXiv:2508.09843},
year = {2025}
}