Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2507.12687

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2507.12687 (eess)
[提交于 2025年7月16日 ]

标题: TRIQA:通过在有序失真三元组上对比预训练进行图像质量评估

标题: TRIQA: Image Quality Assessment by Contrastive Pretraining on Ordered Distortion Triplets

Authors:Rajesh Sureddi, Saman Zadtootaghaj, Nabajeet Barman, Alan C. Bovik
摘要: 图像质量评估(IQA)模型旨在预测与人类判断一致的感知图像质量。 无参考(NR)IQA由于缺乏参考图像而特别具有挑战性。 虽然深度学习在这一领域取得了显著进展,但开发NR-IQA模型的主要障碍是主观标记数据的可用性有限。 大多数现有的基于深度学习的NR-IQA方法在进行IQA任务微调之前依赖于在大规模数据集上进行预训练。 为了进一步推动该领域的发展,我们提出了一种新方法,该方法使用少量参考内容图像构建自定义数据集,并引入了一个结合内容和质量特征的无参考IQA模型,用于感知质量预测。 具体而言,我们使用基于对比三元组的学习训练一个质量感知模型,这使得在较少样本的情况下也能实现高效的训练,并在公开可用的数据集上实现了强大的泛化性能。 我们的代码库可在 https://github.com/rajeshsureddi/triqa 获取。
摘要: Image Quality Assessment (IQA) models aim to predict perceptual image quality in alignment with human judgments. No-Reference (NR) IQA remains particularly challenging due to the absence of a reference image. While deep learning has significantly advanced this field, a major hurdle in developing NR-IQA models is the limited availability of subjectively labeled data. Most existing deep learning-based NR-IQA approaches rely on pre-training on large-scale datasets before fine-tuning for IQA tasks. To further advance progress in this area, we propose a novel approach that constructs a custom dataset using a limited number of reference content images and introduces a no-reference IQA model that incorporates both content and quality features for perceptual quality prediction. Specifically, we train a quality-aware model using contrastive triplet-based learning, enabling efficient training with fewer samples while achieving strong generalization performance across publicly available datasets. Our repository is available at https://github.com/rajeshsureddi/triqa.
评论: 5页
主题: 图像与视频处理 (eess.IV) ; 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.12687 [eess.IV]
  (或者 arXiv:2507.12687v1 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12687
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Rajesh Sureddi [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 23:43:12 UTC (4,826 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.CV
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号