通过高斯混合物分布对盲视图像质量进行评估
概括
这项研究引入了一种新的盲视图像质量评估 (IQA) 方法,该方法利用高斯混合分布 (GMD) 来分析意见分数分布. 该方法提高了平均意见得分 (MOS) 和意见得分分布 (DOS) 的预测准确性.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 机器学习 机器学习
背景情况:
- 传统的图像质量评估 (IQA) 方法主要使用平均意见分数 (MOS),忽视了意见分数 (DOS) 的分布潜力.
- 现有的IQA数据库往往缺乏全面的DOS数据,限制了先进IQA模型的开发.
- 高斯混合分布 (GMD) 在准确建模图像质量的DOS方面表现有前途.
研究的目的:
- 提出一种新的盲目IQA方法,利用GMD学习图像质量分布.
- 为了提高MOS和DOS在图像质量评估中的预测准确度.
- 通过引入伪DOS生成策略来解决DOS数据的稀缺问题.
主要方法:
- 一种盲目IQA方法,集成一个视觉特征学习模块 (Swin Transformer,CLIP) 和一个GMD学习模块 (混合密度网络).
- 该方法学习基于GMD的图像质量,其中GMD平均值预测MOS.
- 使用DOS的辅助培训以及用于增强应用性的伪DOS生成策略.
主要成果:
- 拟议的方法准确地模拟了SJTU IQSD和KonIQ-10K数据库上的使用GMD的DOS.
- 与最先进的IQA方法相比,该方法在预测MOS和DOS方面表现优异.
- 伪DOS生成显著提高了该方法的适用性.
结论:
- 学习基于GMD的图像质量为IQA提供了一种更全面的方法,而不是仅仅依赖MOS.
- 拟议的方法通过有效地利用DOS信息,即便数据有限,也促进了IQA的发展.
- 这项工作有助于对图像质量评估中的意见分数分布进行更深入的研究.
