当无参考图像质量模型遇上扩散潜空间中的 MAP 估计
计算机视觉与模式识别
2025-01-16 v2
摘要
当代的无参考图像质量评估（NR-IQA）模型能够有效量化感知图像质量，通常在标准 IQA 基准上与人类感知分数实现强相关性。然而，将 NR-IQA 模型作为真实世界图像增强的自然图像先验，并从感知优化角度对其进行比较的研究十分有限。在这项工作中，我们首次表明 NR-IQA 模型可以被引入到用于图像增强的最大后验概率（MAP）估计框架中。这是通过利用预训练的可微且双射的扩散过程，在扩散潜空间而非原始像素域中执行梯度上升来实现的。不同的 NR-IQA 模型很可能会导致不同的增强输出，这反过来提供了一种比较它们的新计算手段。与传统的基于相关性的度量不同，我们的比较方法为竞争性 NR-IQA 模型在感知优化场景中的各自优缺点提供了互补的见解。此外，我们通过整合其他表现最佳方法的优势，致力于改进在扩散潜空间 MAP 估计中表现最优的 NR-IQA 模型。最终得到的模型在增强受未知且复杂失真影响的真实世界图像时，提供了明显更好的结果，同时保持了高度的图像保真度。
引用
@article{arxiv.2403.06406,
title = {When No-Reference Image Quality Models Meet MAP Estimation in Diffusion Latents},
author = {Weixia Zhang and Dingquan Li and Guangtao Zhai and Xiaokang Yang and Kede Ma},
journal= {arXiv preprint arXiv:2403.06406},
year = {2025}
}