近期deep learning做图像质量评价(image quality assessment)的论文2

本文探讨了深度学习在盲图像质量评估(IQA)中的应用,包括利用预训练CNN提取特征结合SVM的方法,以及两种具体实现方式:图像块的处理策略和融合方法。实验表明,提取特征后进行平均池化操作能提高预测性能。此外,还介绍了使用CNN进行无参考IQA的工作,通过学习排名鉴别图像对,优化损失函数,实现了高质量的IQA效果。
摘要由CSDN通过智能技术生成

1、On the use of deep learning forblind IQA (DeepBIQ) 2017-8-19

核心思想:features+ SVM (实验在LIVEwild database 失真的数据库)

该论文是值得研究一下的,如果自己在尝试用Deeplearning完成IQA任务时,论文中提到的一些设置是可以去借鉴的。主要是实验在LIVEwild database 失真的数据库,结果很棒!!!

--- 主要的探索了三个选择:

(1)-- 使用不同pre-trained CNN框架提取特征,加上SVM

包括ImageNet-CNN,Places-CNN,ImageNet+Places-CNN。

(2)-- 如何从whole image中提取image patches以及特征融合和预测分数融合的策略。(不同的网络,输入的image patch大小是不一样的,考虑这点是和上一点相关的)

       第一:输入图片的大小,比如ImageNet的输入是224*224,所以你的输入就必须是224*224。但是原始图像的大小不是224*224,就需要对输入图像做剪裁处理,可以直接resize,或者从原始图像中挑一些块出来。

第二:如果是从图像中提取图像块的话,那么块的个数又成为了一个参数。该论文从wholeimage中随机挑选sub-regions,数量范围[5,50]。

       第三:获得了输入图像块之后,即可得到featurevector, 如何将这些图像块的featurevector 组合又成了一个新的问题,解决方法有:

featurepooling (min, average, max):将所有sub-regionfeature vectors组合成一个向量,用于表示wholeimage。

featureconcatenation:直接把sub-regions对应的向量连在一起。

predictionpooling:通过预测每一个sub-region的分数,再将这些

目 录 第一章 引言 1 1.1 图像质量评价的定义 1 1.2 研究对象 1 1.3 方法分类 2 1.4 研究意义 3 第二章 历史发展和研究现状 4 2.1 基于手工特征提取的图像质量评价 4 2.1.1 基于可视误差的“自底向上”模型 4 2.1.1.1 Daly模型 4 2.1.1.2 Watson’s DCT模型 5 2.1.1.3 存在的问题 5 2.1.2 基于HVS的“自顶向下”模型 5 2.1.2.1 结构相似性方法 6 2.1.2.2 信息论方法 8 2.1.2.3 存在的问题 9 2.2 基于深度学习图像质量评价 10 2.2.1 CNN模型 10 2.2.2 多任务CNN模型 12 2.2.3 研究重点 15 第三章 图像质量评价数据集和性能指标 16 3.1 图像质量评价数据集简介 16 3.2 图像质量评价模型性能指标 17 第四章 总结与展望 19 4.1 归纳总结 19 4.2 未来展望 19 参考文献 21 第一章 引言 随着现代科技的发展,诸如智能手机,平板电脑和数码相机之类的消费电子产品快速普及,已经产生了大量的数字图像。作为一种更自然的交流方式,图像中的信息相较于文本更加丰富。信息化时代的到来使图像实现了无障碍传输,图像在现代社会工商业的应用越来越广泛和深入,是人们生活中最基本的信息传播手段,也是机器学习的重要信息源。 图像质量图像系统的核心价值,此外,它也是图像系统技术水平的最高层次。但是,对图像的有损压缩、采集和传输等过程会很容易导致图像质量下降的问题。例如:在拍摄图像过程中,机械系统的抖动、光学系统的聚焦模糊以及电子系统的热噪声等都会造成图像不够清晰;在图像存储和传输过程中,由于庞大的数据量和有限通讯带宽的矛盾,图像需要进行有损压缩编码,这也会导致振铃效应、模糊效应和块效应等图像退化现象的出现。所以,可以说图像降质在图像系统的各个层面都会很频繁地出现,对图像质量作出相应的客观评价是十分重要且有意义的。为了满足用户在各种应用中对图像质量的要求,也便于开发者们维持、控制和强化图像质量图像质量评价Image Quality Assessment,IQA)是一种对图像所受到的质量退化进行辨识和量化的
评论 15
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值