Debiased Mapping for Full-Reference Image Quality Assessment

要約

比較のために画像を深い特徴空間にマッピングすることは、最近の学習ベースの完全参照画像品質評価 (FR-IQA) モデルで広く採用されています。
古典的な分類タスクと同様に、品質回帰の理想的なマッピング空間は、クラス間の分離可能性とクラス内のコンパクト性の両方を備えている必要があります。
異なる品質レベルの画像の識別に焦点を当てたクラス間分離性は、既存のモデルで非常に強調されてきました。
ただし、同じまたは区別できない品質の画像の小さな客観的品質分散を維持するクラス内のコンパクトさは、研究の注目を逃れ、知覚バイアスの測定につながる可能性があります。
この論文では、そのようなバイアスは主に、特徴が投影され比較される不適切な部分空間によって引き起こされることを明らかにします。
特異値分解 (SVD) によって形成された学習機能。
品質のばらつきを特異値と射影基底で圧倒的に分離する深層学習機能ドメインの SVD は、専用に設計された距離測定による品質の推論を容易にします。
さまざまな IQA データベースでの実験は、マッピング方法が知覚バイアスを効率的に軽減できることを示しており、品質予測の優れたパフォーマンスは私たちの方法の有効性を検証しています。
実装は公開されます。

要約(オリジナル)

Mapping images to deep feature space for comparisons has been wildly adopted in recent learning-based full-reference image quality assessment (FR-IQA) models. Analogous to the classical classification task, the ideal mapping space for quality regression should possess both inter-class separability and intra-class compactness. The inter-class separability that focuses on the discrimination of images with different quality levels has been highly emphasized in existing models. However, the intra-class compactness that maintains small objective quality variance of images with the same or indistinguishable quality escapes the research attention, potentially leading to the perception-biased measures. In this paper, we reveal that such bias is mainly caused by the unsuitable subspace that the features are projected and compared in. To account for this, we develop the Debiased Mapping based quality Measure (DMM), which relies on the orthonormal bases of deep learning features formed by singular value decomposition (SVD). The SVD in deep learning feature domain, which overwhelmingly separates the quality variations with singular values and projection bases, facilitates the quality inference with dedicatedly designed distance measure. Experiments on different IQA databases demonstrate the mapping method is able to mitigate the perception bias efficiently, and the superior performance on quality prediction verifies the effectiveness of our method. The implementation will be publicly available.

arxiv情報

著者 Baoliang Chen,Hanwei Zhu,liingyu Zhu,Shiqi Wang
発行日 2023-02-22 15:57:03+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