用于图像质量评价的域自适应可变形网络
计算机视觉与模式识别
2021-04-26 v1 图像与视频处理
摘要
图像质量评价（IQA）旨在评估图像的感知质量。IQA 算法的输出应与人类主观感知一致。在图像复原与增强任务中，生成对抗网络（GAN）生成的图像可比传统 CNN 生成的图像获得更好的视觉表现，尽管它们存在空间偏移与纹理噪声。遗憾的是，现有 IQA 方法在基于 GAN 的失真上表现不佳，部分原因是其对空间未对齐的容忍度低。为此，我们提出参考导向可变形卷积，其能通过自适应考虑该未对齐来提升 IQA 网络在基于 GAN 失真上的性能。我们进一步提出块级注意力模块，以增强不同块区域间的交互，而这些区域在先前基于块的方法中是独立处理的。我们还通过对经典残差块进行修改提出改进的残差块，以构建称为 WResNet 的基于块区域的基线。为该基线配备两个所提模块，我们进一步提出域自适应可变形网络（RADN）。在 NTIRE 2021 感知图像质量评价挑战赛数据集上的实验结果表明了 RADN 的优越性能，且集成方法在该挑战赛最终测试阶段获得第四名。代码见 https://github.com/IIGROUP/RADN。
引用
@article{arxiv.2104.11599,
title = {Region-Adaptive Deformable Network for Image Quality Assessment},
author = {Shuwei Shi and Qingyan Bai and Mingdeng Cao and Weihao Xia and Jiahao Wang and Yifan Chen and Yujiu Yang},
journal= {arXiv preprint arXiv:2104.11599},
year = {2021}
}
备注
CVPR NTIRE Workshop 2021. The first two authors contribute equally to this work. Code is available at https://github.com/IIGROUP/RADN