用于降质与重建伪影的无参考图像质量度量
图像与视频处理
2024-05-06 v1 计算机视觉与模式识别
摘要
图像质量评估（IQA）在图像去模糊和超分辨率等各种计算机视觉任务中至关重要。然而，大多数 IQA 方法需要参考图像，而参考图像并非总是可用。虽然存在一些无参考 IQA 度量，但它们在模拟人类感知和辨别细微图像质量变化方面存在局限性。我们假设 JPEG 质量因子是图像质量测量的代表，并且一个训练有素的神经网络可以学习在没有干净参考的情况下准确评估图像质量，因为它可以根据先验知识识别图像降质伪影。因此，我们开发了一个无参考质量评估网络，称为“质量因子（QF）预测器”，它不需要任何参考。我们的 QF 预测器是一个轻量级的全卷积网络，由七层组成。该模型以自监督方式进行训练：它接收带有随机 QF 的 JPEG 压缩图像块作为输入，并被训练以准确预测相应的 QF。我们通过将其应用于各种任务来展示该模型的通用性。首先，我们的 QF 预测器可以泛化以测量各种图像伪影的严重程度，例如高斯模糊和高斯噪声。其次，我们证明 QF 预测器可以被训练来预测从磁共振成像（MRI）数据重建的图像的欠采样率。
引用
@article{arxiv.2405.02208,
title = {Reference-Free Image Quality Metric for Degradation and Reconstruction Artifacts},
author = {Han Cui and Alfredo De Goyeneche and Efrat Shimron and Boyuan Ma and Michael Lustig},
journal= {arXiv preprint arXiv:2405.02208},
year = {2024}
}