Deep Feature Statistics Mapping for Generalized Screen Content Image Quality Assessment

要約

自然シーン統計と呼ばれる自然画像の統計的規則性は、非参照画質評価において重要な役割を果たします。
ただし、通常はコンピューターで生成される画面コンテンツ画像 (SCI) は、そのような統計を保持しないことが広く認められています。
ここでは、SCI の品質を効果的に決定するために、SCI の統計を学習する最初の試みを行います。
提案されたアプローチの根底にあるメカニズムは、物理的に取得されていないSCIが、学習方法で理解できる特定の統計に従っているという野生の仮定に基づいています。
統計偏差が品質評価に効果的に活用できることを経験的に示し、提案された方法はさまざまな設定で評価された場合に優れています。
広範な実験結果は、Deep Feature Statistics ベースの SCI 品質評価 (DFSS-IQA) モデルが既存の NR-IQA モデルと比較して有望なパフォーマンスを提供し、クロスデータセット設定で高い一般化機能を示していることを示しています。
メソッドの実装は、https://github.com/Baoliang93/DFSS-IQA で公開されています。

要約(オリジナル)

The statistical regularities of natural images, referred to as natural scene statistics, play an important role in no-reference image quality assessment. However, it has been widely acknowledged that screen content images (SCIs), which are typically computer generated, do not hold such statistics. Here we make the first attempt to learn the statistics of SCIs, based upon which the quality of SCIs can be effectively determined. The underlying mechanism of the proposed approach is based upon the wild assumption that the SCIs, which are not physically acquired, still obey certain statistics that could be understood in a learning fashion. We empirically show that the statistics deviation could be effectively leveraged in quality assessment, and the proposed method is superior when evaluated in different settings. Extensive experimental results demonstrate the Deep Feature Statistics based SCI Quality Assessment (DFSS-IQA) model delivers promising performance compared with existing NR-IQA models and shows a high generalization capability in the cross-dataset settings. The implementation of our method is publicly available at https://github.com/Baoliang93/DFSS-IQA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google