RankIQA：从排序中学习以进行无参考图像质量评估
计算机视觉与模式识别
2017-07-27 v1
摘要
我们提出了一种从排序中学习的无参考图像质量评估方法。为了解决 IQA 数据集规模有限的问题，我们训练了一个 Siamese Network，利用相对图像质量已知的合成生成失真，根据图像质量对图像进行排序。这些排序后的图像集可以自动生成，无需费力的人工标注。然后，我们使用微调技术，将训练好的 Siamese Network 中表示的知识迁移到传统的 CNN 中，该 CNN 从单张图像估计绝对图像质量。我们展示了如何通过单个网络前向传播一批图像，并从该批次中所有图像对反向传播梯度，使我们的方法比传统的 Siamese Networks 显著更高效。在 TID2013 基准上的实验表明，我们将现有技术提升了 5% 以上。此外，在 LIVE 基准上，我们表明我们的方法优于现有的 NR-IQA 技术，甚至无需依赖高质量参考图像来推断 IQA，就超越了全参考图像质量评估（FR-IQA）方法中的现有技术。
引用
@article{arxiv.1707.08347,
title = {RankIQA: Learning from Rankings for No-reference Image Quality Assessment},
author = {Xialei Liu and Joost van de Weijer and Andrew D. Bagdanov},
journal= {arXiv preprint arXiv:1707.08347},
year = {2017}
}
备注
Accepted by ICCV 2017