用于无参考超分辨率图像质量评价的纹理-感知联合学习
图像与视频处理
2024-10-28 v2 计算机视觉与模式识别
摘要
图像超分辨率（SR）近年来得到了广泛研究。然而，由于缺乏可靠且准确的感知质量准则，公平评估各种 SR 方法的性能颇具挑战。现有指标集中于特定种类的退化而未区分视觉敏感区域，无法描述低层纹理与高层感知信息中多样的 SR 退化情形。本文关注 SR 图像的纹理与感知退化，设计了一个双流网络以联合探索纹理与感知信息进行质量评价，称为 TPNet。通过模仿人类视觉系统（HVS）更关注显著图像区域的特点，我们开发了空间注意力以使视觉敏感信息更具可区分性，并利用特征归一化（F-Norm）增强网络表征能力。实验结果表明，TPNet 预测视觉质量分数比其他方法更准确，并展现出与人工视角更好的一致性。源代码将发布于 \url{http://github.com/yuqing-liu-dut/NRIQA_SR}
引用
@article{arxiv.2205.13847,
title = {Textural-Perceptual Joint Learning for No-Reference Super-Resolution Image Quality Assessment},
author = {Yuqing Liu and Qi Jia and Shanshe Wang and Siwei Ma and Wen Gao},
journal= {arXiv preprint arXiv:2205.13847},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication