【泡泡一分钟】RankIQA: 基于排序的无参考图像质量评价方法(ICCV2017-109)

2018 年 9 月 28 日 泡泡机器人SLAM
【泡泡一分钟】RankIQA: 基于排序的无参考图像质量评价方法(ICCV2017-109)

每天一分钟,带你读遍机器人顶级会议文章

标题:RankIQA: Learning from Rankings for No-reference Image Quality Assessment

作者:Xialei Liu, Joost van de Weijer, Andrew D.Bagdanov

来源:ICCV 2017 ( IEEE International Conference on Computer Vision)

编译:杨雨生

审核:陈世浪

欢迎个人转发朋友圈;其他机构或自媒体如需转载,后台留言申请授权


摘要

 作者利用排序好的图片进行训练,提出一种无参考图像质量评价方法——RankIQA。为了解决用于图片质量评价(IQA)的数据集规模不够的问题,作者通过对图像进行不同程度的畸变,得到相对图像质量已知的图片,然后训练了一个Siamese神经网络,对这些图像按照质量进行排序。此举能够自动生成排好序的图像集,从而避免了繁重的人工标注工作。然后作者通过fine-tuning方法,将训练好的Siamese神经网络中的信息迁移到一个传统的CNN网络中,用来从单张图片估计其图像质量。

作者论证了其提出的方法相对于传统的Siamese神经网络更加具有高效性。作者在TID2013数据集上的试验结果显示,其算法相对于当前一些优秀算法提升了5%的性能。在LIVE数据集上,作者的算法不仅优于现有的无参考图像质量评价方法,并且由于不需要高质量的图片对比才能推断出图像质量,其相对于全参考图像质量评价方法也具有优越性。

        传统的训练深度神经网络的方式是根据事先标注好的评分进行训练。上图中红色部分是作者提出的算法,首先对图片进行不同程度的畸变,获得不同质量的图片,并对图片按照质量进行排序,然后根据得到的图片集,训练一个Siamese网络,然后通过fine-tuning方法,将网络的参数迁移到一个传统的CNN网络,用来训练更深更宽的神经网络。

Abstract

  We propose a no-reference image quality assessment (NR-IQA) approach that learns from rankings (RankIQA). To address the problem of limited IQA dataset size, we train a Siamese Network to rank images in terms of image quality by using synthetically generated distortions for which relative image quality is known. These ranked image sets can be automatically generated without laborious human labeling. We then use fine-tuning to transfer the knowledge represented in the trained Siamese Network to a traditional CNN that estimates absolute image quality from single images. We demonstrate how our approach can be made significantly more efficient than traditional Siamese Networks by forward propagating a batch of images through a single network and backpropagating gradients derived from all pairs of images in the batch. Experiments on the TID2013 benchmark show that we improve the state-of-theart by over 5%. Furthermore, on the LIVE benchmark we show that our approach is superior to existing NR-IQA techniques and that we even outperform the state-of-the-art in full-reference IQA (FR-IQA) methods without having to resort to high-quality reference images to infer IQA.



如果你对本文感兴趣,想要下载完整文章进行阅读,可以关注【泡泡机器人SLAM】公众号(paopaorobot_slam)

欢迎来到泡泡论坛,这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题,或者想刷帖回答问题,泡泡论坛欢迎你!

泡泡网站:www.paopaorobot.org

泡泡论坛:http://paopaorobot.org/forums/


泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成,希望大家珍惜我们的劳动成果,转载请务必注明出自【泡泡机器人SLAM】微信公众号,否则侵权必究!同时,我们也欢迎各位转载到自己的朋友圈,让更多的人能进入到SLAM这个领域中,让我们共同为推进中国的SLAM事业而努力!

商业合作及转载请联系liufuqiang_robot@hotmail.com

登录查看更多
66

相关内容

ICCV 的全称是 IEEE International Conference on Computer Vision,即国际计算机视觉大会,由IEEE主办,与计算机视觉模式识别会议(CVPR)和欧洲计算机视觉会议(ECCV)并称计算机视觉方向的三大顶级会议,被澳大利亚ICT学术会议排名和中国计算机学会等机构评为最高级别学术会议,在业内具有极高的评价。不同于在美国每年召开一次的CVPR和只在欧洲召开的ECCV,ICCV在世界范围内每两年召开一次。ICCV论文录用率非常低,是三大会议中公认级别最高的。ICCV会议时间通常在四到五天,相关领域的专家将会展示最新的研究成果。
小贴士
相关资讯
【泡泡图灵智库】基于几何一致性网络的摄像机运动估计
【泡泡一分钟】利用四叉树加速的单目实时稠密建图
泡泡机器人SLAM
16+阅读 · 2019年4月26日
【泡泡一分钟】无监督学习的立体匹配方法(ICCV-2017)
泡泡机器人SLAM
4+阅读 · 2018年10月9日
【泡泡一分钟】学习多视图相似度(ICCV-2017)
泡泡机器人SLAM
6+阅读 · 2018年10月7日
【泡泡一分钟】多尺度优化的CNN目标检测算法(ICCV2017-55)
泡泡机器人SLAM
8+阅读 · 2018年7月20日
【泡泡一分钟】端到端的弱监督语义对齐
泡泡机器人SLAM
34+阅读 · 2018年4月5日
相关论文
3D Hand Shape and Pose Estimation from a Single RGB Image
Liuhao Ge,Zhou Ren,Yuncheng Li,Zehao Xue,Yingying Wang,Jianfei Cai,Junsong Yuan
14+阅读 · 2019年3月3日
Nils Murrugarra-Llerena,Adriana Kovashka
5+阅读 · 2018年5月8日
Rohit Girdhar,Georgia Gkioxari,Lorenzo Torresani,Manohar Paluri,Du Tran
5+阅读 · 2018年5月2日
Bo Du,Shihan Cai,Chen Wu,Liangpei Zhang,Dacheng Tao
5+阅读 · 2018年4月25日
Kun He,Fatih Cakir,Sarah Adel Bargal,Stan Sclaroff
5+阅读 · 2018年3月28日
Xialei Liu,Joost van de Weijer,Andrew D. Bagdanov
6+阅读 · 2018年3月8日
Qianhui Luo,Huifang Ma,Yue Wang,Li Tang,Rong Xiong
8+阅读 · 2018年2月21日
Weiyu Lan,Xirong Li,Jianfeng Dong
3+阅读 · 2017年8月15日
Top