学习在实验室与自然场景中盲评图像质量
计算机视觉与模式识别
2020-05-21 v3 机器学习
图像与视频处理
摘要
盲图像质量评估（BIQA）的计算模型通常在控制良好的实验室环境中训练，对真实失真图像的泛化能力有限。同样，针对自然场景捕获图像优化的BIQA模型也无法充分处理合成失真图像。为应对跨失真场景的挑战，我们开发了一种BIQA模型及其在多个（不同失真场景的）IQA数据库上同时训练的方法。我们方法的关键步骤是在各个数据库内创建并组合图像对作为训练集，这有效规避了感知尺度重新对齐的问题。我们根据对应的人类意见为每对图像计算连续的质量标注，指示一张图像具有更好感知质量的概率。我们通过最小化保真度损失，在由海量图像对组成的训练集上训练用于BIQA的深度神经网络。在六个IQA数据库上的实验表明，通过所提训练策略优化的模型在实验室与自然场景中盲评图像质量是有效的，且大幅优于以往的BIQA方法。
引用
@article{arxiv.1907.00516,
title = {Learning to Blindly Assess Image Quality in the Laboratory and Wild},
author = {Weixia Zhang and Kede Ma and Guangtao Zhai and Xiaokang Yang},
journal= {arXiv preprint arXiv:1907.00516},
year = {2020}
}
备注
Accepted by ICIP2020