StyleAM：面向感知的无参考图像质量评价无监督域自适应方法
计算机视觉与模式识别
2022-08-01 v1
摘要
深度神经网络（DNNs）在无参考图像质量评价（NR-IQA）中展现出巨大潜力。然而，NR-IQA 的标注劳动密集且耗时，严重限制了其应用，尤其是对真实图像。为减轻对质量标注的依赖，一些工作已将无监督域自适应（UDA）应用于 NR-IQA。但上述方法忽视了分类中所用对齐空间是次优的，因为该空间并非为感知精心设计的。为解决此挑战，我们提出一种有效的面向感知的 NR-IQA 无监督域自适应方法 StyleAM，其通过风格对齐与混合（Mixup）将丰富标注的源域数据知识迁移至无标注目标域图像。具体而言，基于一个有趣/惊人的观察——DNNs 深层的特征风格（即均值与方差）恰好与 NR-IQA 中的质量分数相关联，我们找到了一个更紧凑可靠、即特征风格空间的面向感知 UDA 空间。因此，我们提出在更具感知导向的空间即特征风格空间中对齐源域与目标域，以减少其他与质量无关特征因素的干扰。此外，为增加质量分数与其特征风格间的一致性，我们还提出一种新颖的特征增强策略 Style Mixup，其在 DNNs 最后一层前混合特征风格（即均值与方差）并同时混合其标签。在两个典型跨域设定（即合成到真实、多失真到单失真）上的大量实验结果证明了我们所提 StyleAM 在 NR-IQA 上的有效性。
引用
@article{arxiv.2207.14489,
title = {StyleAM: Perception-Oriented Unsupervised Domain Adaption for Non-reference Image Quality Assessment},
author = {Yiting Lu and Xin Li and Jianzhao Liu and Zhibo Chen},
journal= {arXiv preprint arXiv:2207.14489},
year = {2022}
}