LAR-IQA：一种轻量、准确且鲁棒的无参考图像质量评估模型
计算机视觉与模式识别
2024-09-09 v2 多媒体
图像与视频处理
摘要
使用深度学习技术的无参考图像质量评估（NR-IQA）领域的最新进展在多个开源数据集上展现出高性能。然而，此类模型通常非常庞大且复杂，使其不太适合真实世界的部署，尤其是在资源和电池受限的移动设备上。为了解决这一局限性，我们提出了一种紧凑、轻量级的 NR-IQA 模型，该模型在 ECCV AIM UHD-IQA 挑战赛的验证和测试数据集上实现了现有技术（SOTA）的性能，同时比最快的 SOTA 模型快近 5.7 倍。我们的模型采用双分支架构，每个分支分别在合成失真和真实失真图像上单独训练，这增强了模型在不同失真类型间的泛化能力。为了提高在多样真实视觉条件下的鲁棒性，我们还在训练过程中加入了多种颜色空间。我们还证明了最近提出的 Kolmogorov-Arnold 网络（KANs）在最终质量回归方面比传统的多层感知机（MLPs）具有更高的准确性。我们考虑各种开源数据集的评估突出了我们提出的轻量级模型的实用、高精度和鲁棒的性能。代码：https://github.com/nasimjamshidi/LAR-IQA。
引用
@article{arxiv.2408.17057,
title = {LAR-IQA: A Lightweight, Accurate, and Robust No-Reference Image Quality Assessment Model},
author = {Nasim Jamshidi Avanaki and Abhijay Ghildyal and Nabajeet Barman and Saman Zadtootaghaj},
journal= {arXiv preprint arXiv:2408.17057},
year = {2024}
}