实验室与自然场景下具有不确定性感知的盲图像质量评估
计算机视觉与模式识别
2021-04-07 v6 机器学习
多媒体
图像与视频处理
摘要
盲图像质量评估（BIQA）模型的性能已通过特征工程与质量回归的端到端优化得到显著提升。然而，由于实验室中模拟的图像与自然捕获的图像之间存在分布偏移，在具有合成失真数据库上训练的模型在处理真实失真时仍特别薄弱（反之亦然）。为应对跨失真场景的挑战，我们开发了一种统一的BIQA模型及其针对合成与真实失真训练的方法。我们首先从各个IQA数据库中采样图像对，并计算每对中第一幅图像质量更高的概率。然后，我们利用保真度损失在大量此类图像对上优化用于BIQA的深度神经网络。我们还显式施加铰链约束以在优化过程中正则化不确定性估计。在六个IQA数据库上的大量实验表明了所学习方法在实验室与自然场景下盲评估图像质量方面的前景。此外，我们通过将其用于改进现有BIQA模型，证明了所提出训练策略的通用性。
引用
@article{arxiv.2005.13983,
title = {Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and Wild},
author = {Weixia Zhang and Kede Ma and Guangtao Zhai and Xiaokang Yang},
journal= {arXiv preprint arXiv:2005.13983},
year = {2021}
}
备注
Accepted to IEEE TIP. The implementations are available at https://github.com/zwx8981/UNIQUE