面向盲图像质量评价的无源无监督域自适应
计算机视觉与模式识别
2022-08-16 v2 图像与视频处理
摘要
现有的基于学习的盲图像质量评价(BIQA)方法严重依赖大量标注训练数据，且在遇到域/分布偏移问题时通常会出现严重的性能下降。得益于无监督域自适应(UDA)的发展，一些工作尝试在域偏移下利用UDA将知识从标注充足的源域迁移到无标签目标域。然而，这需要源数据和目标数据共存，由于隐私或存储问题，源数据可能难以获取。本文以简单而高效的方式首次迈向无源无监督域自适应(SFUDA)用于BIQA，以在无法访问源数据的情况下解决域偏移。具体而言，我们将质量评价任务视为评分分布预测问题。基于BIQA的内在特性，我们提出一组精心设计的自监督目标来引导BN仿射参数向目标域自适应。其中，最小化预测熵与最大化批次预测多样性旨在鼓励更置信的结果同时避免平凡解。此外，基于单幅图像的IQA评分分布服从高斯分布的观察，我们对预测评分分布施加高斯正则化以使其更符合人类打分的本质。跨域场景下的广泛实验结果证明了我们所提方法缓解域偏移的有效性。
引用
@article{arxiv.2207.08124,
title = {Source-free Unsupervised Domain Adaptation for Blind Image Quality Assessment},
author = {Jianzhao Liu and Xin Li and Shukun An and Zhibo Chen},
journal= {arXiv preprint arXiv:2207.08124},
year = {2022}
}