RAN4IQA：用于无参考图像质量评价的恢复性对抗网络
计算机视觉与模式识别
2017-12-18 v1
摘要
受自由能脑理论启发——该理论暗示人类视觉系统 (HVS) 在看到失真图像时倾向于降低不确定性并恢复感知细节——我们提出恢复性对抗网络 (RAN)，一种基于 GAN 的无参考图像质量评价 (NR-IQA) 模型。RAN 模仿 HVS 过程，由三个组件构成：恢复器、判别器和评价器。恢复器恢复并重建输入的失真图像块，而判别器将重建块与原始无失真块区分开。恢复后，我们观察到重建块与失真块之间的感知距离相对于失真程度是单调的。我们进一步基于此现象定义恢复增益 (GoR)。评价器通过从失真和重建块中提取特征表示以度量 GoR 来预测感知分数。最终，输入图像的质量分数由块分数的加权和估计。在 Waterloo Exploration、LIVE 和 TID2013 上的实验结果表明，与最先进的 NR-IQA 模型相比，RAN 的有效性和泛化能力。
引用
@article{arxiv.1712.05444,
title = {RAN4IQA: Restorative Adversarial Nets for No-Reference Image Quality Assessment},
author = {Hongyu Ren and Diqi Chen and Yizhou Wang},
journal= {arXiv preprint arXiv:1712.05444},
year = {2017}
}
备注
AAAI'18