用于盲图像质量模型持续学习的任务特定归一化
计算机视觉与模式识别
2024-02-20 v3
摘要
本文提出了一种简单而有效的盲图像质量评估（BIQA）持续学习方法，具有更高的质量预测精度、可塑性-稳定性权衡，以及对任务顺序和长度的鲁棒性。我们方法的关键步骤是冻结预训练深度神经网络（DNN）的所有卷积滤波器以显式保证稳定性，并学习任务特定的归一化参数以实现可塑性。我们为每个新的 IQA 数据集（即任务）分配一个预测头，并加载相应的归一化参数以生成质量分数。最终的质量估计由所有头的预测通过轻量级 -means 门控机制进行加权求和得到。在六个 IQA 数据集上的大量实验证明了所提方法相对于以往 BIQA 训练技术的优势。
引用
@article{arxiv.2107.13429,
title = {Task-Specific Normalization for Continual Learning of Blind Image Quality Models},
author = {Weixia Zhang and Kede Ma and Guangtao Zhai and Xiaokang Yang},
journal= {arXiv preprint arXiv:2107.13429},
year = {2024}
}
备注
Accepted by IEEE T-IP