MetaIQA：面向无参考图像质量评价的深度元学习
图像与视频处理
2020-04-14 v1 计算机视觉与模式识别
摘要
近年来，利用深度卷积神经网络（DCNNs）进行无参考图像质量评价（NR-IQA）受到越来越多的关注。尽管取得了显著成功，但学界普遍认为训练DCNNs严重依赖大量标注数据。遗憾的是，IQA是一个典型的小样本问题。因此，现有大多数基于DCNN的IQA指标都依赖于预训练网络。然而，这些预训练网络并非为IQA任务设计，导致在评价不同类型失真时存在泛化问题。受此启发，本文提出一种基于深度元学习的无参考IQA指标。其核心思想是学习人类在评价各种失真图像质量时所共享的元知识，从而能够轻松适配未知失真。具体而言，我们首先收集针对不同失真的多个NR-IQA任务，然后采用元学习来获取多样化失真间共享的先验知识，最后在目标NR-IQA任务上对质量先验模型进行微调，以快速得到质量模型。大量实验表明，所提指标大幅优于现有最优方法。此外，从合成失真中学到的元模型也能轻松泛化到真实失真，这在实际IQA指标应用中极为重要。
引用
@article{arxiv.2004.05508,
title = {MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment},
author = {Hancheng Zhu and Leida Li and Jinjian Wu and Weisheng Dong and Guangming Shi},
journal= {arXiv preprint arXiv:2004.05508},
year = {2020}
}