具有更快收敛与更优性能的图像质量评价 Norm-in-Norm 损失
图像与视频处理
2020-08-11 v1 计算机视觉与模式识别
多媒体
摘要
当前，大多数图像质量评价（IQA）模型由 MAE 或 MSE 损失监督，经验上收敛缓慢。众所周知，归一化有助于快速收敛。因此，我们在 IQA 损失函数设计中探索归一化。具体而言，我们首先对预测质量分数与相应主观质量分数进行归一化。然后，基于这些归一化值之间差异的范数定义损失。所得的“Norm-in-Norm”损失促使 IQA 模型相对于主观质量分数做出线性预测。训练后，应用最小二乘回归确定从预测质量到主观质量的线性映射。研究表明，新损失与两个常见 IQA 性能准则（PLCC 和 RMSE）紧密相连。通过理论分析，证明了嵌入的归一化使损失函数的梯度更稳定、更可预测，有利于 IQA 模型的更快收敛。此外，为实验验证所提损失的有效性，将其应用于解决一个具有挑战性的问题：自然场景图像的质量评价。在两个相关数据集（KonIQ-10k 和 CLIVE）上的实验表明，与 MAE 或 MSE 损失相比，新损失使 IQA 模型收敛加快约 10 倍，且最终模型取得更优性能。所提模型在该挑战性问题上也达到了最先进的预测性能。为可复现的科学研究，我们的代码公开于 https://github.com/lidq92/LinearityIQA。
引用
@article{arxiv.2008.03889,
title = {Norm-in-Norm Loss with Faster Convergence and Better Performance for Image Quality Assessment},
author = {Dingquan Li and Tingting Jiang and Ming Jiang},
journal= {arXiv preprint arXiv:2008.03889},
year = {2020}
}
备注
Accepted by ACM MM 2020, + supplemental materials