本文介绍了GIQA算法用于生成图像质量评估，包括MBC-IQA、GMM-IQA、KNN-IQA三种方法，并提出了GIQA在图像真实性和多样性评估中的应用。此外，还讨论了一种自适应超网络结构，用于现实场景图像质量评估，通过内容理解、感知度学习和质量预测阶段实现这一目标。这些研究为图像质量评估提供了新的视角和改进方向。
本周工作内容总结
（1）GIQA Generated Image Quality Assessment（Gu S , Bao J , Chen D , et al. GIQA: Generated Image Quality Assessment[J]. 2020.）
解决的问题：提出生成图像质量评估（GIQA）,从而可以定量的评估每一张图片的质量。
核心思路：从基于学习合基于数据的两个角度，提出MBC-IQA、GMM-IQA、KNN-IQA三种不同的GIQA算法,然后在许多数据集上就GAN模型上生成的图片进行评估。GIQA同时衍生出许多的应用，进而评估所提出方法的有效性。
创新点：①首次提出对于某一张图片进行评估的GIQA算法。②GIQA模型可以独立的衡量生成的图像的真实性和多样性③构建了LGQA数据集，用于实验研究
不足：本文选取了相对效果较好的GMM-GIQA方法进行实验，但是当数据的分布比较复杂的时候，该方法会出现错误。属于“瘸子里面选将军”，这也表明该算法需要进一步的改进、需进一步的进行研讨。
借鉴点（展望）：①考虑对于单张图片进行评估，更准确有效。②分别对于某一张图片在质量和多样性方面分开考虑，这相对于生成图片的评价更加准确、可信度更高③在GAN网络训练中，结合OHEM,给低质量的图片以更高的惩罚权重，可以让GAN生成更高质量的图片。
（2）Blindly Assess Image Quality in the Wild Guided by a Self-Adaptive Hyper Network（Su S , Yan Q , Zhu Y , et al. Blindly Assess Image Quality in the Wild Guided by a Self
最低0.47元/天 解锁文章
1503
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
