盲人图像质量评估使用卷积神经网络
Mariusz Frackiewicz1, Henryk Palus1, Wojciech Trojanowski1
1Department of Data Science and Engineering, Silesian University of Technology, Akademicka 16, 44-100 Gliwice, Poland.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
本研究介绍了一种轻量级的卷积神经网络 (CNN) 模型,用于盲人图像质量评估 (BIQA). 通过使用先进的机器学习优化,它实现了比复杂的深度学习方法更高的效率和可扩展性的竞争性性能.
科学领域:
- 计算机视觉 计算机视觉
- 多媒体处理处理.
- 机器学习 机器学习
背景情况:
- 图像质量对于压缩和传输等多媒体任务至关重要.
- 当前的盲视图像质量评估 (BIQA) 方法经常使用复杂的深度学习模型,需要大量的计算资源和大量数据集.
- 这种复杂性阻碍了可扩展性和在资源有限的场景中部署.
研究的目的:
- 为了证明一个更简单,轻量级的卷积神经网络 (CNN) 架构可以在盲人图像质量评估 (BIQA) 中实现竞争性性能.
- 为了利用最近的机器学习进步,包括贝叶斯式超参数优化和Adam,以增强BIQA的早期CNN模型.
- 为当前基于深度学习的复杂BIQA方法提供更具可扩展性和高效的替代方案.
主要方法:
- 为BIQA.QA重新审视一个早期CNN启发的模型.
- 结合现代机器学习优化技术:贝叶斯超参数优化和亚当随机优化方法.
- 在TID2013和KADID-10k等基准数据集上进行广泛的实验以进行评估.
主要成果:
- 拟议的轻量级CNN模型在盲人图像质量评估 (BIQA) 中取得了竞争性表现.
- 该模型表明,与现有的复杂框架相比,设计效率要高得多.
- 实验结果验证了在标准数据集上方法的有效性.
结论:
- 基于CNN的轻量级模型,通过现代优化策略进行增强,为BIQA提供了可行的替代方案.
- 这些模型在准确性,计算效率和可扩展性之间提供了更好的平衡.
- 这些发现表明,在资源有限的环境中部署有效的BIQA的实际方法.
