从混合数据集学习：一种单调图像质量评价模型
计算机视觉与模式识别
2022-11-15 v3 机器学习
图像与视频处理
摘要
基于深度学习的图像质量评价（IQA）模型通常从单一数据集中学习预测图像质量，导致模型过拟合特定场景。为此，混合数据集训练可成为增强模型泛化能力的有效途径。然而，由于不同 IQA 数据集在质量评价标准、分数范围、观测条件以及标注主体上通常互不共享，将其结合并非易事。本文不对齐标注，而是提出一种单调神经网络，用于结合不同数据集的 IQA 模型学习。具体而言，我们的模型由数据集共享的质量回归器和若干数据集特定的质量变换器组成。质量回归器旨在获取各数据集的感知质量，而每个质量变换器将感知质量映射至相应数据集标注并保持其单调性。实验结果验证了所提学习策略的有效性，代码见 https://github.com/fzp0424/MonotonicIQA。
引用
@article{arxiv.2209.10451,
title = {Learning from Mixed Datasets: A Monotonic Image Quality Assessment Model},
author = {Zhaopeng Feng and Keyang Zhang and Shuyue Jia and Baoliang Chen and Shiqi Wang},
journal= {arXiv preprint arXiv:2209.10451},
year = {2022}
}
备注
3 pages, 3 figures