一个基于优化的,基于融合的预测模型家族,用于全参考图像质量评估.
1Ronin Institute, Montclair, NJ 07043, USA.
Journal of imaging
|June 27, 2023
概括
本研究通过优化现有指标的融合,引入了一个全参考图像质量评估 (FR-IQA) 的新框架. 这种新的方法在预测图像感知质量方面优于当前的方法,包括深度学习技术.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 信号处理 信号处理
背景情况:
- 完整参考图像质量评估 (FR-IQA) 传统上依赖于手工制作的指标.
- 现有的FR-IQA指标在准确捕捉感知质量方面存在局限性.
- 基于融合的方法旨在通过结合多个指标来改进FR-IQA.
研究的目的:
- 开发一个新的FR-IQA框架.
- 通过合并多个现有指标来制定FR-IQA作为一个优化问题.
- 提高感知质量评估的准确性.
主要方法:
- 为FR-IQA提出了一个新的框架,将任务描述为一个优化问题.
- 该框架使用加权产品方法融合了多个手工制作的FR-IQA指标.
- 权重通过优化框架来确定,该框架最大限度地提高相关性,并最大限度地减少RMSE与基准真相得分.
主要成果:
- 拟议的基于融合的FR-IQA指标在基准数据库上表现出卓越的表现.
- 该方法的性能优于现有的最先进的算法,包括基于深度学习的方法.
- 优化的指标融合导致了感知质量预测的改进.
结论:
- 基于优化的新型融合框架为FR-IQA提供了显著的进步.
- 这种方法有效地利用了个别FR-IQA指标的优势.
- 拟议的方法为感知图像质量评估提供了强大而准确的解决方案.


