学习检测多种摄影缺陷

在本文中，我们引入了同时检测多种摄影缺陷的问题。我们旨在检测与色彩、噪声、模糊和构图相关的常见摄影缺陷的存在、严重程度和潜在位置。此类缺陷的自动检测可用于为用户提供如何改进照片的建议，而无需费力尝试各种校正方法。缺陷检测还可以帮助用户在照片策展和摘要中筛选出质量更高的照片，同时过滤掉那些存在严重缺陷的照片。为了研究这个问题，我们收集了一个关于七种常见摄影缺陷的大规模用户标注数据集，这使我们能够通过衡量算法与人类判断的一致性来评估算法。我们的新数据集使我们能够将该问题表述为一个多任务学习问题，并训练一个多列深度卷积神经网络 (CNN) 来同时预测所有缺陷的严重程度。与一些现有的、依赖于低级统计信息且在自然照片的许多情况下可能失效的单一缺陷估计方法不同，我们的模型能够在更高层次上理解图像内容和质量。因此，在我们的实验中，我们表明，与低级方法以及几个基线 CNN 模型相比，我们的模型的预测与人类判断的一致性要高得多。我们的模型表现也优于我们用户研究中的普通人。