Regression-free Blind Image Quality Assessment

要約

回帰ベースのブラインド画質評価 (IQA) モデルは、トレーニング サンプルの偏りの影響を受けやすく、モデル パラメーターの推定に偏りが生じます。
この問題を軽減するために、セマンティック機能と歪み機能を組み込むことで類似のインスタンスを取得することに基づいた、回帰のない画質評価フレームワークを提案します。
このアプローチの背後にある動機は、人間の視覚システム (HVS) が、同じ歪みによって劣化した意味的に類似した画像コンテンツに対して類似の視覚反応を示すという観察に根ざしています。
提案されたフレームワークは、意味ベースの分類 (SC) モジュールと歪みベースの分類 (DC) モジュールの 2 つの分類ベースのモジュールで構成されます。
テスト画像と IQA データベースが与えられると、SC モジュールは意味的な類似性に基づいて複数の元の画像を取得します。
次に、DC モジュールは、取得した各元の画像に対応する歪んだ画像からの歪みの類似性に基づいてインスタンスを取得します。
最後に、予測された品質スコアは、取得された複数のインスタンスの主観的な品質スコアを集計することによって導出されます。
4 つのベンチマーク データベースでの実験結果により、提案されたモデルが最先端の回帰ベースのモデルよりも著しく優れたパフォーマンスを発揮できることが検証されました。

要約(オリジナル)

Regression-based blind image quality assessment (IQA) models are susceptible to biased training samples, leading to a biased estimation of model parameters. To mitigate this issue, we propose a regression-free framework for image quality evaluation, which is founded upon retrieving similar instances by incorporating semantic and distortion features. The motivation behind this approach is rooted in the observation that the human visual system (HVS) has analogous visual responses to semantically similar image contents degraded by the same distortion. The proposed framework comprises two classification-based modules: semantic-based classification (SC) module and distortion-based classification (DC) module. Given a test image and an IQA database, the SC module retrieves multiple pristine images based on semantic similarity. The DC module then retrieves instances based on distortion similarity from the distorted images that correspond to each retrieved pristine image. Finally, the predicted quality score is derived by aggregating the subjective quality scores of multiple retrieved instances. Experimental results on four benchmark databases validate that the proposed model can remarkably outperform the state-of-the-art regression-based models.

arxiv情報

著者 Xiaoqi Wang,Jian Xiong,Hao Gao,Weisi Lin
発行日 2023-07-18 14:19:28+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, eess.IV パーマリンク