Un marco de aprendizaje profundo bioinspirado para la evaluación de la calidad de la imagen basada en la saliencia

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• El aprendizaje profundo ha avanzado en la evaluación de la calidad de la imagen sin referencia (NR-IQA).
• Los modelos existentes de NR-IQA luchan con imágenes naturales complejas.
• La saliencia visual es crucial para la confiabilidad de NR-IQA, pero no se utiliza en el aprendizaje profundo.

Objetivo del estudio:

• Proponer un nuevo método para integrar la saliencia visual en el NR-IQA basado en el aprendizaje profundo.
• Desarrollar una red neuronal profunda de inspiración biológica (BioSIQNet) para mejorar el NR-IQA.
• Aprovechar la sinergia entre la atención visual y la percepción de la calidad de la imagen.

Principales métodos:

• Se utilizó un marco de aprendizaje multitarea (MTL) para construir BioSIQNet.
• La red codifica baja y alta saliencia (HS) en capas tempranas y más profundas, respectivamente.
• BioSIQNet integra tareas específicas de saliencia con la tarea primaria de evaluación de la calidad de la imagen (IQA).

Principales resultados:

• La BioSIQNet propuesta integra efectivamente la visibilidad en el NR-IQA.
• Aprovechar la saliencia mejora las capacidades de aprendizaje del modelo IQA.
• Los experimentos validan la eficacia de BioSIQNet para el NR-IQA.

Conclusiones:

• La integración de la saliencia visual mejora significativamente el NR-IQA basado en el aprendizaje profundo.
• BioSIQNet ofrece un enfoque prometedor para evaluar la calidad de la imagen percibida en diversas imágenes naturales.
• El estudio pone de relieve los beneficios del aprendizaje conjunto para tareas visuales interconectadas.