近期deep learning做图像质量评价(image quality assessment)的论文
来源:互联网 发布:淘宝生意参谋手机版 编辑:程序博客网 时间:2024/05/16 15:00
12017ICASSP “From image quality to patch quality: an image-patch model forno-reference image quality assessment”,北京大学,WenHeng
主要贡献:一般使用图像块训练endto end的网络时,图像块的分数设置为图像的分数,这样设置是不合理的,图像中每一块的分数应该是不相等的。所以,论文提出方法,调整图像块的分数。并且,这是第一个工作,提出对图像块的分数进行调整。实验证明,该论文提出的方法能够提高Learningbased方法的性能。
1.1 在patch-basedIQA方法中,主要有两种:(1) 根据块的质量,推断得到图像的质量,一般采用某一个权重策略,比如averageweighting、informationcontent weighting(相对较容易)。(2)根据图像的质量,推断图像块的质量(做的人比较少)。
1.2 相关文献表明:质量最低的几个图像块对整幅图像影响最大。QAC这篇论文使用分数最低的后10%图像块的分数去表示图像的分数。
1.3 该论文使用2014年CVPR的框架,计算每一个图像块的分数,使用10%最低策略,获得图像的分数。(结果一般般)
2、2017ICASSP Learning deep vector regressionmodel for no-reference image quality assessment. 中国科学院,JieGu
(2017TMM Blind image quality assessment via vector regression and object oriented pooling)
主要idea: 认为人类无法直接给定一张图像的分数,即无法做到定量给出质量分数,而更偏向于定性给出质量分数,如好,一般,差等。
训练阶段和测试阶段的网络框架不一致:前面的卷积层不变,后面换成三个全连接层,为512、512、5。5表示分数向量,每一维表示图像属于“excellent”,“good”, “fair” , “poor”和“bad”这五个层次的。输入为32x32的图像块,提取块时,采取非重叠的方式。创新点在于:每一个图像块,用VSI方法计算image patch的分数,转化成一个5维向量作为它的label。
测试阶段的框架如下:full convolutional network, 引用了Long神的那篇论文,但是感觉并没有用的。测试时,input一个image,每一个image patch就可以得到一个对应的label向量。组合起来,就可以得到quality map了。2017TMM期刊论文,给了Object detection计算weighting map.
---实验细节:batch _ size = 256, 训练了100 epoches.
--- 也是根据reference information来挑选训练集和测试集的。在LIVE数据库上,有29张reference images, 选择23 reference images对应的distorted images训练,选择6 reference images对应的distorted images 做测试。此操作,循环20此,取中间值作为最后的结果- 近期deep learning做图像质量评价(image quality assessment)的论文
- 近期deep learning做图像质量评价(image quality assessment)的论文2
- 近期deep learning做图像质量评价(image quality assessment)的论文3
- 近期deep learning做图像质量评价(image quality assessment)的论文4
- deep learing解决3D图像质量评价(image quality assessment)问题
- Tone-Mapped image quality assessment (图像质量评价)
- Research on Image Quality Assessment
- No-Reference Image Quality Assessment
- 有意思的hand-crafted features based IQA的论文吧(图像质量评价)
- 有意思的hand-crafted features based IQA的论文吧2(图像质量评价)
- 【深度学习】论文导读:图像识别中的深度残差网络(Deep Residual Learning for Image Recognition)
- 论文PCANet: A Simple Deep Learning Baseline for Image Classification?的matlab源码解读(一)
- 论文PCANet: A Simple Deep Learning Baseline for Image Classification?的matlab源码解读(三)
- 论文PCANet: A Simple Deep Learning Baseline for Image Classification?的matlab源码解读(四)
- 论文PCANet: A Simple Deep Learning Baseline for Image Classification?的matlab源码解读(二)
- 基于deep learning的快速图像检索(Deep Learning of Binary Hash Codes for Fast Image Retrieval)
- 基于deep learning的快速图像检索(Deep Learning of Binary Hash Codes for Fast Image Retrieval)
- 论文-Deep Residual Learning for Image Recognition
- MD5加密解密
- debug调试jdk源码
- iOS-87-解决相机扫码报错*** -[AVCaptureMetadataOutput setMetadataObjectTypes:] Unsupported type found
- Python 基础之面向对象
- 百度世界大会 | 李彦宏:无人驾驶罚单已经来了,量产还会远吗
- 近期deep learning做图像质量评价(image quality assessment)的论文
- 论文笔记-Arbitrary-Oriented Scene Text Detection via Rotation Proposals
- 热点 | 10岁男孩骗过Face ID,成功解锁母亲的iPhone X
- 行业 | 高通沈劲:在人工智能领域,中国很少会参照美国
- UITableView/UICollectionView调用reloadData刷新时界面闪烁
- AI英雄 | 对话投资大咖Dyson:人工智能无处不在 却又相当脆弱
- QT查询数据库中的数据在tableview显示
- 重磅 | 向未来致敬!2017网易未来科技峰会乌镇论坛将于12月4日在乌镇举办
- 卸载python的正确姿势