Evaluación de la calidad de imagen digital basada en características estéticas multiescala y redes neuronales convolucionales de grafos | JoVE Visualize

Área de la Ciencia:

Visión por Computadora
Inteligencia Artificial
Procesamiento de Imágenes

Sus antecedentes:

La evaluación de la calidad estética de las imágenes digitales es crucial para la detección de contenido y la recomendación en plataformas visuales.
Los métodos existentes tienen dificultades para modelar la semántica local y la composición espacial, lo que limita la evaluación de la belleza subjetiva.
El crecimiento de las redes sociales exige herramientas avanzadas de evaluación de la calidad de imagen.

Objetivo del estudio:

Proponer un modelo colaborativo de doble rama para la percepción estética de imágenes digitales.
Mejorar la expresión de características y modelar las relaciones espaciales para una evaluación de belleza más precisa.
Proporcionar una solución automatizada integral para la evaluación estética de imágenes.

Principales métodos:

Se desarrolló un modelo de doble rama que comprende una red de percepción multiescala guiada semánticamente y una red de grafos de percepción de estructura de composición.
Se empleó un mecanismo de atención semántica y fusión multiescala para mejorar la expresión de características.
Se utilizó la convolución de grafos para modelar las relaciones espaciales entre las regiones de la imagen.

Principales resultados:

Se logró un coeficiente de correlación lineal de Pearson de 0.884 en el segmento alto para la evaluación de la calidad estética.
Se obtuvo un coeficiente de correlación de rangos de Kendall de 0.797 para imágenes de paisajes.
Se demostró un rendimiento excepcional en la consistencia de la calificación, la percepción semántica y el modelado estructural con parámetros eficientes (8.6M) y alta velocidad de inferencia (54.2 FPS).

Conclusiones:

El modelo propuesto de doble rama aborda eficazmente las limitaciones de los métodos actuales de evaluación estética de imágenes.
El modelo ofrece una solución automatizada más precisa e integral para la evaluación de la calidad de imagen.
Esta investigación contribuye a la comprensión inteligente de imágenes y a las aplicaciones de control de calidad.