Evaluation of Machine-generated Biomedical Images via A Tally-based Similarity Measure

要約

超解像度、インペインティング、全画像の生成、対応のないスタイル移動、ネットワーク制約の画像再構築には、それぞれ、実際のグラウンドトゥルースが使用時に知られていないマシン学習画像合成の側面が含まれます。
合成画像の品質を定量的かつ権威あるものに評価することは一般に困難です。
ただし、ミッションクリティカルな生物医学シナリオでは、堅牢な評価が最重要です。
この作業では、すべての実用的な画像と画像の比較は、実際には相対的な資格であり、絶対的な違いの定量化ではありません。
したがって、生成された画質の意味のある評価は、Tverskyインデックスを使用して実現できます。これは、知覚的類似性を評価するための確立された尺度です。
この評価手順は開発され、実際にシミュレートされた両方の複数の画像データセットを使用して実証されます。
主な結果は、機能をエンコードする選択の主観性と固有の欠陥が前もって配置される場合、Tverskyの方法は直感的な結果につながるのに対し、深い特徴スペースの距離を要約することに基づく従来の方法はそうではないことです。

要約(オリジナル)

Super-resolution, in-painting, whole-image generation, unpaired style-transfer, and network-constrained image reconstruction each include an aspect of machine-learned image synthesis where the actual ground truth is not known at time of use. It is generally difficult to quantitatively and authoritatively evaluate the quality of synthetic images; however, in mission-critical biomedical scenarios robust evaluation is paramount. In this work, all practical image-to-image comparisons really are relative qualifications, not absolute difference quantifications; and, therefore, meaningful evaluation of generated image quality can be accomplished using the Tversky Index, which is a well-established measure for assessing perceptual similarity. This evaluation procedure is developed and then demonstrated using multiple image data sets, both real and simulated. The main result is that when the subjectivity and intrinsic deficiencies of any feature-encoding choice are put upfront, Tversky’s method leads to intuitive results, whereas traditional methods based on summarizing distances in deep feature spaces do not.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google