KonIQ-10k：迈向生态有效且大规模的IQA数据库
计算机视觉与模式识别
2020-05-26 v1 多媒体
摘要
将最先进的深度学习方法应用于预测自然场景图像质量的主要挑战在于，现有质量评分数据集规模相对较小。缺乏更大数据集的原因是生成多样化且可发布内容需要海量资源。我们提出了一种新的系统且可扩展的方法，用于为图像质量评估 (IQA) 创建大规模、真实且多样化的图像数据集。我们展示了如何构建一个包含10,073张图像的IQA数据库KonIQ-10k，并在其上进行了超大规模众包实验，以从1,467名众包工人处获得可靠的质量评分（120万次评分）。我们通过分析数据集的多样性、将其与最先进的IQA数据库进行比较，以及检查我们用户研究的可靠性，来论证其生态有效性。
引用
@article{arxiv.1803.08489,
title = {KonIQ-10k: Towards an ecologically valid and large-scale IQA database},
author = {Hanhe Lin and Vlad Hosu and Dietmar Saupe},
journal= {arXiv preprint arXiv:1803.08489},
year = {2020}
}
备注
Image database, image quality assessment, diversity sampling, crowdsourcing