利用合成数据学习以实现真实场景下无主观评分的盲图像质量评价
多媒体
2021-07-08 v3
摘要
当前，大多数现有盲图像质量评价（BIQA）模型 1）针对合成失真图像开发，对真实失真图像的泛化能力往往较差；2）严重依赖人工评分，而收集此类评分的人力成本极其高昂。本文提出一种无主观评分（opinion-free）的 BIQA 方法，其从合成失真图像与多个代理中学习，以评估真实场景下所捕获的真实失真图像的感知质量，且无需依赖人工标签。具体而言，我们首先从合成失真图像中组装大量图像对，并使用一组全参考图像质量评价（FR-IQA）模型为每对图像分配伪二值标签，指示哪幅图像质量更高，作为监督信号。随后，我们训练一个基于卷积神经网络（CNN）的 BIQA 模型对感知质量进行排序，优化目标为与二值标签保持一致。由于合成失真与真实失真图像间存在域偏移，我们引入无监督域适应（UDA）模块以缓解该问题。大量实验证明了我们所提无主观评分 BIQA 模型的有效性，其在与人类意见得分的相关性以及 gMAD 竞赛方面均取得了最先进的性能。代码将在录用后公开。
引用
@article{arxiv.2106.14076,
title = {Learning from Synthetic Data for Opinion-free Blind Image Quality Assessment in the Wild},
author = {Zhihua Wang and Zhi-Ri Tang and Jianguo Zhang and Yuming Fang},
journal= {arXiv preprint arXiv:2106.14076},
year = {2021}
}
备注
15 pages, 9 figures, 6 tables