QMRNet：用于地球观测图像质量评估与超分辨率的品质度量回归网络
计算机视觉与模式识别
2022-10-17 v2 人工智能
图像与视频处理
地球物理
空间物理
摘要
超分辨率（SR）的最新进展已在人脸、风景和物体等通用图像上进行了测试，主要用于非地球观测（EO）图像的超分辨率任务。在本文中，我们使用全参考和无参考图像质量评估（IQA）度量，针对不同的EO数据集对最先进的SR算法进行了基准测试。我们还提出了一种新颖的品质度量回归网络（QMRNet），它能够通过训练图像的任意属性（即其分辨率、其失真等）来预测质量（作为一种无参考度量），并且还能够针对特定度量目标优化SR算法。本工作是IQUAFLOW框架实现的一部分，该框架用于评估EO用例中的图像质量、目标检测与分类以及图像压缩。我们整合了实验，并在预测模糊、锐度、snr、rer和地面采样距离（GSD）等特征上测试了QMRNet算法，获得了低于1.0的验证medRs（共N=50）以及高于95%的召回率。总体基准测试显示LIIF、CAR和MSRN的前景良好，以及QMRNet作为损失优化SR预测的潜在用途。由于其简单性，QMRNet也可用于其他用例和图像域，因为其架构和数据处理是完全可扩展的。
引用
@article{arxiv.2210.06618,
title = {QMRNet: Quality Metric Regression for EO Image Quality Assessment and Super-Resolution},
author = {David Berga and Pau Gallés and Katalin Takáts and Eva Mohedano and Laura Riordan-Chen and Clara Garcia-Moll and David Vilaseca and Javier Marín},
journal= {arXiv preprint arXiv:2210.06618},
year = {2022}
}
备注
29 pages, 13 figures, 9 tables