1.论文整体思想
(1)图像质量评估是预测感知质量,在过程评估、图像和视频编码、监控等图像处理领域有着广泛应用。人体是图像和视频的最终接收者,因此在图像质量评估的度量应该考虑人体视觉系统,尤其是视觉敏感度。
(2)传统的全参考图像质量评估(Full-Reference Image Quality Assessment, FR-IQA)方法根据心理视觉科学(Psychological Vision Science)对人体视觉系统进行建模。这些方法计算复杂度高,并且建立的模型需要符合事先定义的条件,泛化性能一般。
(3)针对上述问题,随着深度学习及CNN技术的发展,Kim等提出了基于CNN结构的图像质量评估算法(DeepQA),该算法可以产生视觉敏感度分布权重图,每个像素的权重值代表在视觉系统中的重要程度。
(4)文中提出的算法不需要使用任何心理视觉科学的先验知识,仅依赖于数据,包括扭曲的图像,客观评价错误图及ground-truth主观评价图。
(5)实验结果表明DeepQA预测的视觉敏感度分布与人体视觉系统有相似的结果。并且在五个数据集上均表现出了SOTA水平。
2.网络结构与算法流程
算法流程:
1)将失真图像(distort image)和参考图像(reference image)进行归一化:Ir为参考图像,Id为失真图像,首先将其转化为灰度图
像,然后归一化到【0,1】,去除低频段特征&#
Deep Learning of Human Visual Sensitivity in Image Quality Assessment Framework阅读笔记
最新推荐文章于 2022-05-26 21:57:21 发布
本文介绍了Kim等人提出的DeepQA算法,该算法利用深度学习和CNN技术来预测图像质量评估中的视觉敏感度。通过无需依赖心理视觉科学先验知识,直接从数据中学习,DeepQA能生成视觉敏感度分布权重图。实验结果显示,DeepQA的预测与人体视觉系统相似,并在多个数据集上表现出最先进的性能。
摘要由CSDN通过智能技术生成