电气工程与系统科学 > 图像与视频处理
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.