图像质量比较
文章平均质量分 67
糖醋小排♚
这个作者很懒,什么都没留下…
展开
-
MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment阅读笔记
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。基于这种原创 2021-02-24 11:04:39 · 895 阅读 · 4 评论 -
RankIQA: Learning from Rankings for No-reference Image Quality Assessment阅读笔记
1.论文中心思想利用网络判断两张图片的好坏2.网络架构3.网络实现流程1)进行数据增强:对同一张图片,由它产生出来的一系列失真图片的rank是已知的;2)将rankings形成两两组合,传入孪生网络,然后得到高级特征(可以认为是quality score)进行比较,计算出loss,然后反向传播,孪生网络loss则是利用了hinge loss,能够更容易准确地学习到rank,也就是大间隔分类损失(详细解释如下:由图片x1得到的质量分数y1,由图片x2得到的质量分数y2,若y1与y2的比较结果与它们原创 2021-02-24 10:15:34 · 360 阅读 · 0 评论 -
Deep Learning of Human Visual Sensitivity in Image Quality Assessment Framework阅读笔记
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,泛化性能一般原创 2021-02-21 11:08:26 · 610 阅读 · 0 评论 -
Hallucinated-IQA: No-Reference Image Quality Assessment via Adversarial Learning阅读笔记
1.论文思想提出了通过GAN生成的伪参考图引导质量回归网络来解决无参考图像质量评价问题,文章强调的一点是生成网络和回归网络的互补互助,将两个网络结合在一起进行端到端的训练。2.网络架构网络共包括三部分:质量感知生成网络(G)、伪参考质量回归网络(R)、判别器(D)1)质量感知生成网络(G)总损失:LG = µ1Lp + µ2Ls + µ3LadvLp损失是参考图与GT的像素级误差(MSE),即Ls损失是特征空间质量感知误差,即其中,Lv是G的相关损失,Lq是R网络相关的损失(这样通原创 2021-02-20 10:44:26 · 438 阅读 · 4 评论 -
Blind Predicting Similar Quality Map for Image Quality Assessment阅读笔记
论文整体思路:借助一个网络对distorted image进行处理,生成出一个处理后的图用来辅助IQA的分数拟合。本文生成出来的是相似图(指distorted图像同reference图像之间的由某种方法获得的相似图,这些相似图可以表示出来图像质量下降的程度),计算IQA的时候直接将这个中间相似图输入IQA的网络得到分数。1.算法结构结构共有两部分:上半部分(红色部分)为生成网络,下半部分(蓝色部分)为质量池化网络。1)生成网络:FCNN的生成网络部分,网络结构是U-Net,4个下采样和对应的4个上采原创 2021-02-19 14:30:40 · 476 阅读 · 1 评论 -
Blindly Assess Image Quality in the Wild Guided by A Self-Adaptive Hyper Network阅读笔记
一.真实失真图像的盲评是一大挑战,当前方法大多是关于合成数据集的,泛化能力差,因此本文提出一种自适应的超网络结构对真实的图像进行评价。图像质量评价算法在真实数据集上遇到如下三个挑战:1受限于真值图的获取;2真实数据集失真类型过多;3.真实数据集包含过多的图片内容。采用最初设计用于学习如何识别对象的网络体系结构来完成IQA的任务,存在两个缺点:第一,真实数据集失真大都存在于局部失真,而当前的深度模型大都学习的是全局失真,以至于模型预测的质量分数与人眼不一致。第二,没有在识别图片内容的基础上预测图片质量。基于上原创 2021-02-16 22:13:26 · 1492 阅读 · 0 评论 -
图像质量评估综述
背景介绍在过去的几十年里,由于质量评估(Quality Assessment,QA)在许多领域有其广泛的实用性,比如图像压缩、视频编解码、视频监控等,并且对高效、可靠质量评估的需求日益增加,所以QA成为一个感兴趣的研究领域,每年都涌现出大量的新的QA算法,有些是扩展已有的算法,也有一些是QA算法的应用。质量评估可分为图像质量评估(Image Quality Assessment, IQA)和视频质量评估(Video Quality Assessment, VQA),本文主要讨论图像质量评估。IQA从.翻译 2021-01-11 10:19:23 · 1801 阅读 · 0 评论