基于学习排序的无参考图像质量评估
计算机视觉与模式识别
2019-04-25 v3
摘要
无参考图像质量评估（BIQA）旨在无需参考图像的情况下预测感知图像质量分数。最先进的BIQA方法通常需要受试者对大量图像进行评分以训练鲁棒模型。然而，主观质量分数不精确、有偏且不一致，并且由于收集图像、训练受试者、进行主观实验以及重新校准人类质量评估的不便，获取大规模数据库或扩展现有数据库具有挑战性。为克服这些限制，本文探索并利用偏好图像对（PIP），例如“图像的质量优于图像”，来训练鲁棒的BIQA模型。表示两幅图像相对质量的偏好标签通常精确且一致，并且对图像内容、失真类型或受试者身份不敏感；此类PIP可以以极低成本生成。所提出的BIQA方法属于学习排序。我们首先将学习从图像特征到偏好标签的映射问题表述为分类问题。具体而言，我们研究了基于组套索的多核学习算法（MKLGL）以提供解决方案。然后提出了一种简单但有效的估计感知图像质量分数的策略。实验表明，所提出的BIQA方法非常有效，并达到了与最先进BIQA算法相当的性能。此外，所提方法可以轻松扩展到新的失真类别。
引用
@article{arxiv.1309.0213,
title = {Learning to Rank for Blind Image Quality Assessment},
author = {Fei Gao and Dacheng Tao and Xinbo Gao and Xuelong Li},
journal= {arXiv preprint arXiv:1309.0213},
year = {2019}
}