KonIQ-10k:用于盲图像质量评估深度学习的生态有效数据库
计算机视觉与模式识别
2020-05-28 v2 多媒体
摘要
用于图像质量评估(IQA)的深度学习方法受限于现有数据集的小规模。大规模数据集需要在生成可发布内容和准确标注方面投入大量资源。我们提出一种系统且可扩展的方法来创建 KonIQ-10k,这是迄今为止最大的 IQA 数据集,由 10,073 张质量评分图像组成。它是第一个面向生态有效性的野外(in-the-wild)数据库,关注失真的真实性、内容的多样性以及质量相关指标。通过使用众包,我们从 1,459 名众包工作者获得了 120 万条可靠的质量评分,为更通用的 IQA 模型铺平了道路。我们提出了一种新颖的深度学习模型(KonCept512),以展示在测试集之外优秀的泛化能力(0.921 SROCC),以及对当前最先进数据库 LIVE-in-the-Wild 的泛化(0.825 SROCC)。该模型的核心性能源自 InceptionResNet 架构,以比先前模型更高的分辨率(512x384)训练。相关性分析表明,KonCept512 的性能类似于对每幅测试图像有 9 个主观评分。
引用
@article{arxiv.1910.06180,
title = {KonIQ-10k: An ecologically valid database for deep learning of blind image quality assessment},
author = {Vlad Hosu and Hanhe Lin and Tamas Sziranyi and Dietmar Saupe},
journal= {arXiv preprint arXiv:1910.06180},
year = {2020}
}
备注
Published