MSLIQA：通过多尺度学习增强图像质量评估的学习表示
计算机视觉与模式识别
2024-09-09 v2 多媒体
摘要
由于失真的多样性以及缺乏大型标注数据集，无参考图像质量评估（NR-IQA）仍然是一项具有挑战性的任务。许多研究试图通过开发更准确的 NR-IQA 模型来应对这些挑战，这些模型通常采用复杂且计算成本高昂的网络，或者通过弥合各种失真之间的领域差距来提升在测试数据集上的性能。在我们的工作中，我们通过引入一种新颖的数据增强策略，将通用轻量级 NR-IQA 模型的性能提升了近 28%。该数据增强策略通过放大和缩小，使网络能够更好地区分图像不同部分的各种失真。此外，测试时增强的引入进一步提升了性能，仅通过使用数据增强，就使得我们的轻量级网络的结果可与当前 SOTA 模型相媲美。
引用
@article{arxiv.2408.16879,
title = {MSLIQA: Enhancing Learning Representations for Image Quality Assessment through Multi-Scale Learning},
author = {Nasim Jamshidi Avanaki and Abhijay Ghildyal and Nabajeet Barman and Saman Zadtootaghaj},
journal= {arXiv preprint arXiv:2408.16879},
year = {2024}
}