阅读笔记：Exploiting High-Level Semantics for NR Image Quality Assessment of Realistic Blur Image

komorebi2324

已于 2022-05-21 10:21:59 修改

阅读量3.5k

点赞数 1

分类专栏：阅读笔记文章标签：深度学习计算机视觉机器学习人工智能

于 2022-03-31 13:33:24 首次发布

本文链接：https://blog.csdn.net/haiyanyanya/article/details/123868767

版权

本文提出了一种新的无参考图像质量评估方法，专注于真实模糊图像。通过使用预训练的DCNN模型（如Alexnet, GoogLeNet, Resnet-50）提取高层语义特征，结合多种统计聚合结构，进行质量预测。实验表明，Resnet-50模型和多补丁重叠表示法在特征提取和聚合上表现出色。" 115006176,8753399,OpenGL绘制Triangle三角形详解,"['OpenGL', '图形编程', '着色器', '计算机图形学', 'GPU编程']

摘要由CSDN通过智能技术生成

摘要：

针对这一问题，我们利用高级语义学，提出了一种新的对于真实模糊图像的无参考图像质量评价方法。1.将整个图像分成多个重叠的补丁；2.每个补丁由从训练好的DCNN模型提取高级语义特征；3.采用三种不同的统计结构对来自不同的补丁信息进行统计，主要包含一切常见的统计方法；4聚集的特征作为线性回归模型的输入预测图像质量。

1.提出的方法

图像表示、特征提取、特征聚合和质量预测

1.1图像表示

预先训练的 dcnn 模型(例如 alexnet)需要一个固定的输入大小。为了满足这个要求，图像可以裁剪，或者缩放到固定大小。由于缩放操作会引起几何变形，从而影响图像质量，这不是一种好的方法。同时，仅剪切中心区域不足以覆盖大图像的信息。针对这两个问题，考虑使用多重重叠片来表示图像，既能覆盖整个图像的信息，又能避免引入几何变形。

比较了四种不同图像表示法的影响，包括裁剪、缩放、填充和多补丁表示法。裁剪表示法使用中央补丁表示图像。填充表示通过将较大的维度调整为所需的长度，然后将零填充到较小的维度来保留长宽比。缩放表示直接调整图像大小，而不保持原始的长宽比。多片表示生成多个重叠片，该重叠片以一个采样步长均匀采样于整个图像。