VR图像质量评估——论文阅读系列

No-reference Panoramic Image Quality Assessment
based on Adjacent Pixels Correlation

Ding W, An P, Liu X, et al. No-reference Panoramic Image Quality Assessment based on Adjacent Pixels Correlation[C]//2021 IEEE International Symposium on Broadband Multimedia Systems and Broadcasting (BMSB). IEEE, 2021: 1-5.

（本篇博客中出现的图片都来源于原论文）

---

 

文章结构

• Abstract
• Introduction
• The Statistical Characteristic
• The Proposed Method
• Conclusion
• Acknowledgment

---

创新点：

从全景图像统计特性出发，发现失真会影响全景图像相邻像素的一致性，提出利用相邻像素特征来辅助全景图像做质量评估。

1. 使用 马尔可夫链 来构建相邻像素特征；

2. 然后用 支持向量 做质量回归。 

---

全景图像统计特性分析

适合测量全景图像畸变的特征应具有以下特征:

1. 特征于图像内容的相关联性要尽可能低；
2. 特征跟失真等级之间的关联性要相对较大；
3. 提取出的特征的维度不能太大——以适合之后的支持向量机的质量回归任务。

本文给出了相邻像素的可能分布：

 图一表明：全景图像的相邻像素值之间非常接近，而且全景图像的energy主要集中在低频区域。

 图二表明：绝大部分（>90%）的像素差值都在-1~1之间，像素差值的分布呈正太分布结构。基于以上分析，可以看出——像素差值的分布比较集中，因此可以设置一个像素差值在一个小的范围内，可以有效规避上面提到的特征维度可能过大的问题。

 

图三表明：统计特性随着主观得分数的变化而变化，因此使用相邻像素来辅助全景图像特征预测应当是有效的。

总结

框架和实验内容较为简练，在这里就不再赘述。消融实验主要是比较了一阶马尔可夫链和二阶马尔可夫链的性能，从而证明了二阶马尔可夫链的有效性。

论文链接如下：

No-reference Panoramic Image Quality Assessment based on Adjacent Pixels Correlation | IEEE Conference Publication | IEEE Xplore