Applicability limitations of differentiable full-reference image-quality

要約

画像処理アプリケーションの開発において、主観的な画質測定は重要な役割を担っている。画質評価指標の目的は、主観的な評価結果を近似的に表現することである。この点で、多くのメトリクスが開発されているが、その限界について考察した研究はほとんどない。本論文では，圧縮前の画像前処理によって，DISTS，LPIPS，HaarPSI，VIFなどの一般的なメトリクスが提供する品質スコアが人為的に増加すること，また，これらのスコアが主観的品質スコアと矛盾していることを示す．我々は、JPEG圧縮画像の場合、DISTSを最大34.5%、LPIPSを最大36.8%、VIFを最大98.0%、HaarPSIを最大22.6%増加させる一連のニューラルネットワーク前処理モデルを提案しています。前処理を施した画像を主観的に比較した結果、今回検討したメトリクスのほとんどで、視覚的な品質が低下するか変わらないことがわかり、これらのメトリクスの適用が制限されることがわかった。

要約(オリジナル)

Subjective image-quality measurement plays a critical role in the development of image-processing applications. The purpose of a visual-quality metric is to approximate the results of subjective assessment. In this regard, more and more metrics are under development, but little research has considered their limitations. This paper addresses that deficiency: we show how image preprocessing before compression can artificially increase the quality scores provided by the popular metrics DISTS, LPIPS, HaarPSI, and VIF as well as how these scores are inconsistent with subjective-quality scores. We propose a series of neural-network preprocessing models that increase DISTS by up to 34.5%, LPIPS by up to 36.8%, VIF by up to 98.0%, and HaarPSI by up to 22.6% in the case of JPEG-compressed images. A subjective comparison of preprocessed images showed that for most of the metrics we examined, visual quality drops or stays unchanged, limiting the applicability of these metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL