ブラインド画像品質評価のための知覚蒸留を用いた分離特徴学習

科学分野:

• コンピュータビジョン
• 機械学習
• 画像処理

背景:

• 現在のブラインド画像品質評価（BIQA）モデルは、画像歪みと意味論の複雑さのために弱い教師あり学習に苦労しています。
• 最適化ターゲットとして使用される主観スコアは、全体的な品質を表しますが、多様な知覚キューを効果的に捉えることができません。

研究 の 目的:

• コンテンツ認識特徴と歪み認識特徴を分離するBIQAのための新しいフレームワークを開発すること。
• 画像品質評価モデルの精度と堅牢性を向上させること。

主な方法:

• グローバルローカル入力ペアを利用して絡み合った特徴を分解する分離特徴学習（DFL）フレームワークを提案しました。
• 特徴転送のためのわずかに知覚可能な差（JND）モデルを使用した知覚知識蒸留戦略を実装しました。
• 分離された知覚特徴を統合するために、ローカル歪み誘導注意モジュールを導入しました。

主要な成果:

• DFLフレームワークは、8つのベンチマークデータセットで最先端の方法よりも優れたパフォーマンスを達成しました。
• 提案されたフレームワークは、他のTransformerバリアントの知覚能力を強化する上での柔軟性を示しました。
• 提案されたアプローチは、コンパクトなグローバルコンテンツ認識特徴とローカル歪み認識特徴を効果的に学習します。

結論:

• DFLフレームワークは、分離された知覚特徴を効果的に学習することにより、BIQAのための堅牢なソリューションを提供します。
• 提案された方法は、画像品質評価の分野を大幅に進歩させます。
• フレームワークの適応性は、関連するコンピュータビジョンタスクで広範な適用性を示唆しています。