研究目的
提出一种深度无参考图像质量评估(NR-IQA)框架,该框架通过全局平均池化(GAP)层从预训练卷积神经网络中提取多层级Inception特征来构建特征空间,且无需对输入图像进行分块处理。
研究成果
所提出的MultiGAP-NRIQA方法通过在不分解输入图像为图像块的情况下,从不同抽象层次提取与分辨率无关的特征,在基准IQA数据库上优于最先进的方法。未来研究方向包括改进微调过程并将特征提取方法推广至其他CNN架构。
研究不足
跨数据库测试中的性能下降表明,每套公开可用的图像质量评估数据库对图像的处理方式略有不同,这影响了该方法的泛化能力。
1:实验设计与方法选择:
该方法通过在预训练CNN的多个Inception??楹蟾郊尤制骄鼗?GAP)层来提取视觉特征。输入图像作为整体处理,以提取与分辨率无关的多层次深度特征。
2:样本选择与数据来源:
该方法在三个基准IQA数据库(KonIQ-10k、KADID-10k和TID2013)上进行了测试,并使用LIVE野外图像质量挑战数据库进行了跨数据库测试。
3:0k、KADID-10k和TID2013)上进行了测试,并使用LIVE野外图像质量挑战数据库进行了跨数据库测试。
实验设备与材料清单:
3. 实验设备与材料清单:使用配备8核i7-7700K CPU和两块NVIDIA GeForce GTX 1080 GPU的个人计算机进行训练和测试。
4:实验流程与操作步骤:
输入图像通过预训练CNN主体(每个Inception??楹蟾郊覩AP层)运行以提取特征,随后应用径向基函数SVR预测感知图像质量。
5:数据分析方法:
通过皮尔逊线性相关系数(PLCC)和斯皮尔曼等级相关系数(SROCC)评估NR-IQA算法的性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容