无参考图像质量评估与深度特征的多规模无序聚合.

科学领域:

• 计算机视觉 计算机视觉
• 多媒体信号处理处理.
• 机器学习 机器学习

背景情况:

• 无引用图像质量评估 (NR-IQA) 对于评估没有原始引用的数字图像至关重要.
• 图像在处理,传输和存储过程中遭受各种扭曲.
• 现有的NR-IQA方法需要提高特征提取效率.

研究的目的:

• 为增强NR-IQA提出一种新的卷积神经网络 (CNN) 架构.
• 提高对扭曲图像的感知质量评估的准确性.
• 开发一种有效地在多个尺度上提取深层特征的方法.

主要方法:

• 为NR-IQA提出了一个新的CNN架构.
• 深度特征从多个尺度的局部图像补丁中提取出来.
• 斯过程回归器被训练来将提取的特征映射到感知质量得分.

主要成果:

• 与最先进的方法相比,拟议的算法显示出更高的性能.
• 在三个大型基准数据集上进行了实验:LIVE In the Wild,KonIQ-10k和SPAQ.
• 该方法在具有真伪扭曲的数据集上显示了有利的结果.

结论:

• 新的多尺度深度特征提取架构显著提高了NR-IQA的性能.
• 拟议的方法为评估没有参考图像的感知图像质量提供了一个强大的解决方案.
• 这种方法推进了自动图像质量评估领域的发展.