基于定制 EfficientNet-B0 的无参考图像对比度评估

图像对比度是视觉感知的基本因素，在整体图像质量中起着至关重要的作用。然而，大多数无参考图像质量评估（NR IQA）模型难以在各种真实世界条件下准确评估对比度失真。在本研究中，我们提出了一个基于深度学习的盲对比度质量评估框架，通过对三种预训练架构（EfficientNet-B0、ResNet18 和 MobileNetV2）进行定制和微调以预测感知平均意见分（MOS），并构建了一个额外的基于孪生网络的模型，该模型显示出捕捉感知对比度失真的能力有限。每个模型都经过修改并添加了对比度感知回归头，并在包含合成与真实对比度失真的两个基准数据集 CID2013 和 CCID2014 上使用针对性数据增强进行端到端训练。性能评估使用皮尔逊线性相关系数（PLCC）和斯皮尔曼等级相关系数（SRCC），以衡量预测分数与人类评分之间的一致性。在这三个模型中，我们定制的 EfficientNet-B0 模型在 CCID2014 上取得了 PLCC = 0.9286 和 SRCC = 0.9178 的性能，在 CID2013 上取得了 PLCC = 0.9581 和 SRCC = 0.9369 的性能，达到了 SOTA 水平，超越了传统方法并优于其他深度基线。这些结果突出了该模型在捕捉感知对比度失真方面的鲁棒性和有效性。总体而言，所提出的方法表明，对轻量级预训练网络进行对比度感知的适配，可以为无参考对比度质量评估提供高性能、可扩展的解决方案，适用于实时和资源受限的应用。