JNDMix：基于恰可察觉差的无参考图像质量评价数据增强
计算机视觉与模式识别
2023-02-21 v1 机器学习
摘要
尽管无参考图像质量评价（NR-IQA）取得了实质性进展，先前的训练模型常因所用数据集规模有限而出现过拟合，导致模型性能瓶颈。为应对这一挑战，我们探索利用数据增强提升数据效率并增强模型鲁棒性的潜力。然而，大多数现有数据增强方法引发一个严重问题，即其改变了图像质量并导致训练图像与其原始标签不匹配。此外，尽管仅有少数数据增强方法可用于 NR-IQA 任务，它们丰富数据集多样性的能力仍显不足。为解决这些问题，我们提出了一种基于恰可察觉差（JND）噪声混合、有效且通用的 NR-IQA 任务数据增强方法，命名为 JNDMix。具体而言，我们在不调整标签的情况下，将人类视觉系统（HVS）无法察觉的 JND 噪声随机注入训练图像。大量实验表明，JNDMix 显著提升了多种最先进 NR-IQA 模型及常用基线模型的性能与数据效率，以及泛化能力。更重要的是，JNDMix 助力 MANIQA 在 LIVEC 与 KonIQ-10k 上取得最先进性能。
引用
@article{arxiv.2302.09838,
title = {JNDMix: JND-Based Data Augmentation for No-reference Image Quality Assessment},
author = {Jiamu Sheng and Jiayuan Fan and Peng Ye and Jianjian Cao},
journal= {arXiv preprint arXiv:2302.09838},
year = {2023}
}
备注
Accepted by 48th IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2023)