在真实场景中排查盲图像质量模型的问题
计算机视觉与模式识别
2021-05-17 v1
摘要
近来，分组最大差异化竞争（gMAD）借助全参考指标被用于改进盲图像质量评估（BIQA）模型。当将此类方法应用于在真实场景中排查“性能最佳”的 BIQA 模型时，我们面临一个实际挑战：为高效定位失败样本而获取更强的竞争模型极为困难。受近期关于深度模型的困难样本可通过网络剪枝暴露这一发现的启发，我们构建了一组“自我竞争者”，即作为待改进目标模型的随机剪枝版本集成。随后可通过自我 gMAD 竞争高效识别多样化的失败样本。接下来，我们在人工评分的 gMAD 集上同时对目标模型及其剪枝变体进行微调。这使得所有模型都能从各自的失败中学习，为下一轮自我 gMAD 竞争做准备。实验结果表明，我们的方法能高效排查真实场景中的 BIQA 模型，并提升泛化能力。
引用
@article{arxiv.2105.06747,
title = {Troubleshooting Blind Image Quality Models in the Wild},
author = {Zhihua Wang and Haotao Wang and Tianlong Chen and Zhangyang Wang and Kede Ma},
journal= {arXiv preprint arXiv:2105.06747},
year = {2021}
}
备注
7 pages, 3 tables