PIPAL：面向感知图像复原的大规模图像质量评价数据集
图像与视频处理
2020-09-29 v2 计算机视觉与模式识别
摘要
图像质量评价（IQA）是图像复原（IR）算法快速发展的关键因素。近期基于生成对抗网络（GANs）的 IR 方法在视觉性能上取得了显著提升，但也给定量评价带来了巨大挑战。值得注意的是，我们观察到感知质量与评价结果之间的不一致性日益增加。为此我们提出两个问题：（1）现有 IQA 方法能否客观评价近期的 IR 算法？（2）当聚焦于击败当前基准时，我们是否得到了更好的 IR 算法？为回答这些问题并推动 IQA 方法的发展，我们贡献了一个大规模 IQA 数据集，称为感知图像处理算法（PIPAL）数据集。特别地，该数据集包含了基于 GAN 方法的结果，而这是以往数据集所缺失的。我们收集了超过 113 万条人类判断，使用更可靠的“Elo 系统”为 PIPAL 图像赋予主观分数。基于 PIPAL，我们给出了 IQA 与超分辨率方法的新基准。我们的结果表明，现有 IQA 方法无法公平评价基于 GAN 的 IR 算法。虽然使用恰当的评价方法很重要，IQA 方法也应随 IR 算法的发展而更新。最后，我们通过引入抗混叠池化改进了 IQA 网络在基于 GAN 失真上的性能。实验显示了所提方法的有效性。
引用
@article{arxiv.2007.12142,
title = {PIPAL: a Large-Scale Image Quality Assessment Dataset for Perceptual Image Restoration},
author = {Jinjin Gu and Haoming Cai and Haoyu Chen and Xiaoxing Ye and Jimmy Ren and Chao Dong},
journal= {arXiv preprint arXiv:2007.12142},
year = {2020}
}
备注
This paper has been accepted for publication at ECCV2020