1.论文中心思想
训练深层次的神经网络需要大量的标签数据,然而收集大量的图像数据用于训练DCNNs是非常困难的,并且会耗费大量的时间。直接用少量的数据训练很容易造成过拟合,为了解决这个问题,现有的大量IQA算法都是在预训练网络模型上进行实验。然而这会导致泛化问题,主要原因是这些预训练模型不是针对IQA任务的。
在现实情况下,人类可以很容易地从各种失真的图像中获取质量先验知识,并快速适应未知失真图像的质量评价,如图1所示。因此,在NR-IQA方法中,学习人类的共享先验知识是评价不同失真图像质量的关键。基于这种动机,本文提出了一种新的基于深度元学习的NR IQA算法,它可以使机器学会学习,也就是说,能够通过相对少量的训练样本对相关的新任务进行快速学习。
特别是该方法利用了一个基于大量特定失真的NR-IQA任务的双层梯度下降策略来学习元模型。失真特定的NR-IQA任务实际上是针对特定失真类型的IQA任务。与现有方法不同的是,学习后的元模型在评估不同失真图像时能够捕获人类共享的元知识,从而能够快速适应未知失真的NR-IQA任务。
2.本文方法及网络框架
总体的框架由两步组成,质量先验模型的预训练和未知失真NRIQA的微调。在第一步中,我们利用一些特定失真的NR-IQA任务建立元训练集,并将元训练集进一步划分为支持集和查询集,然后使用从支持集到查询集的
MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment阅读笔记
最新推荐文章于 2024-03-06 16:10:31 发布