基于双偏置校正的含噪低成本MOS图像质量评估学习
计算机视觉与模式识别
2023-11-28 v1 图像与视频处理
摘要
基于学习的图像质量评估（IQA）模型在可靠主观质量标签的帮助下取得了令人印象深刻的性能，其中平均意见得分（MOS）是最受欢迎的选择。然而，考虑到个体标注者的主观偏置，人工密集型MOS（LA-MOS）通常需为每幅图像收集来自多名标注者的大量意见分数，这显著增加了学习成本。在本文中，我们旨在从低成本MOS（LC-MOS）中学习鲁棒IQA模型，其仅要求每幅图像极少意见分数甚至单一意见分数。更具体地，我们将LC-MOS视为LA-MOS的含噪观测，并强制从LC-MOS学习的IQA模型逼近LA-MOS的无偏估计。以此方式，我们将LC-MOS与LA-MOS之间的主观偏置，以及从LC-MOS与LA-MOS学习的IQA预测之间的模型偏置（即双偏置）表示为带未知参数的两个潜变量。借助基于期望最大化的交替优化，我们可联合估计双偏置的参数，其通过门控双偏置校正（GDBC）模块抑制LC-MOS的误导。据我们所知，这是首次探索从含噪低成本标签中鲁棒学习IQA模型。在四个流行IQA数据集上的理论分析与大量实验表明，所提方法对不同偏置率和标注数量均具鲁棒性，且在仅有LC-MOS可用时显著优于其他基于学习的IQA模型。此外，我们也取得了与利用LA-MOS学习的其他模型相当的性能。
引用
@article{arxiv.2311.15846,
title = {Learning with Noisy Low-Cost MOS for Image Quality Assessment via Dual-Bias Calibration},
author = {Lei Wang and Qingbo Wu and Desen Yuan and King Ngi Ngan and Hongliang Li and Fanman Meng and Linfeng Xu},
journal= {arXiv preprint arXiv:2311.15846},
year = {2023}
}