UGC 质量评估：探索显著性在基于深度特征的质量评估中的影响
计算机视觉与模式识别
2023-08-15 v1 多媒体
摘要
近年来用户生成内容（UGC）的数量有所增加。此类内容的挑战在于评估其质量。迄今为止，最先进的指标与感知质量的相关性并不很高。本文中，我们探索了提取/组合自然场景统计与深度神经网络特征的最先进指标。我们通过引入显著性图进行实验以改进感知性。我们使用公开数据集（即 YouTube-UGC 和 KoNViD-1k）训练和测试我们的模型。初步结果表明，仅使用深度特征即可实现高相关性，而添加显著性并非总能提升性能。我们的结果与代码将公开可用，作为研究界的基准，可在我们的项目页面找到：https://github.com/xinyiW915/SPIE-2023-Supplementary。
引用
@article{arxiv.2308.06853,
title = {UGC Quality Assessment: Exploring the Impact of Saliency in Deep Feature-Based Quality Assessment},
author = {Xinyi Wang and Angeliki Katsenou and David Bull},
journal= {arXiv preprint arXiv:2308.06853},
year = {2023}
}