基于学习的图像超分辨率质量评估
图像与视频处理
2020-12-17 v1 计算机视觉与模式识别
多媒体
摘要
图像超分辨率（SR）技术通过提升图像的空间分辨率来改善视觉质量。质量评价指标在比较和优化 SR 算法中起着关键作用，但当前的指标仅取得有限成功，这很大程度上归因于缺乏大规模质量数据库，而后者对于学习准确且鲁棒的 SR 质量度量至关重要。在本工作中，我们首先使用一种新颖的半自动标注方法构建了一个大规模 SR 图像数据库，该方法使我们能够以可控的人力标注大量图像。由此得到的带有半自动评分的 SR 图像质量数据库（SISAR）迄今为止是最大的 SR-IQA 数据库，包含 100 个自然场景的 8,400 张图像。我们通过采用双流深度神经网络（DNNs）进行特征提取，随后接一个特征融合网络进行质量预测，训练了一个端到端的深度图像 SR 质量（DISQ）模型。实验结果表明，所提方法优于最先进（state-of-the-art）的指标，并在跨数据库测试中取得了有前景的泛化性能。SISAR 数据库和 DISQ 模型将公开可用，以促进可复现的研究。
引用
@article{arxiv.2012.08732,
title = {Learning-Based Quality Assessment for Image Super-Resolution},
author = {Tiesong Zhao and Yuting Lin and Yiwen Xu and Weiling Chen and Zhou Wang},
journal= {arXiv preprint arXiv:2012.08732},
year = {2020}
}