没有引用的图像质量评估利用GenAI图像

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习方法对图像质量评估有希望,但在有限的现实数据和糟糕的概括方面扎.
• 图像质量评估的现有挑战源于注释,现实世界的培训数据集的稀缺性.

研究的目的:

• 提出一种新的无参考图像质量评估 (NR-IQA) 方法,利用生成人工智能 (GenAI) 图像.
• 解决目前NR-IQA模型中数据稀缺性和不良概括性的局限性.

主要方法:

• 利用GenAI图像作为参考图像,使用冷扩散模型在四种扭曲类型中生成扭曲图像.
• 使用完整参考模型标记扭曲图像,构建用于NR-IQA模型开发的大规模预训练数据集.
• 集成了一个多尺度交叉注意力块 (MCAB) 和一个尺度简单注意力模块 (SSAM),通过提取多尺度信息来增强特征表示.

主要成果:

• 拟议的方法证明了在八个公共图像质量评估数据库中最先进的 (SOTA) 性能.
• 开发的大规模预培训数据集显著改善了NR-IQA模型的构建.
• 通过MCAB和SSAM模块增强的特征表示在预测图像质量方面被证明是有效的.

结论:

• 拟议的基于GenAI的NR-IQA方法有效地克服了数据限制,并实现了SOTA的性能.
• 新型数据集生成和特征提取技术为未来的NR-IQA研究提供了有希望的方向.
• 这项研究有助于开发更强大,更普遍的图像质量评估模型.