文献

J-GLOBAL ID：202202287853180652   整理番号：22A0779936

SPIQ:画質評価のための自己教師付き事前訓練モデル【JST・京大機械翻訳】

SPIQ: A Self-Supervised Pre-Trained Model for Image Quality Assessment

著者 (4件)： Chen Pengfei (School of Information and Control Engineering, China University of Mining and Technology, Xuzhou, China) ,  Li Leida (School of Artificial Intelligence, Xidian University, Xi’an, China) ,  Wu Qingbo (School of Information and Communication Engineering, University of Electronic Science and Technology of China, Chengdu, China) ,  Wu Jinjian (School of Artificial Intelligence, Xidian University, Xi’an, China)
資料名： IEEE Signal Processing Letters  (IEEE Signal Processing Letters)
巻： 29  ページ： 513-517  発行年： 2022年 
JST資料番号： W0576A  ISSN： 1070-9908  CODEN： ISPLEM  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ブラインド画像品質評価(BIQA)は,深層学習技術の急速な進歩により,繁ishingの進展を目撃している。事前BIQA法の大多数は,データ不足問題を緩和するために,画像Net上で事前訓練されたモデルを活用することを試みる。しかし,これらのよく訓練されたモデルは,画像分類ドメインからかなり異なるBIQAタスクに適用するとき,準最適である。この問題に取り組むために,BIQAタスクのための自己教師付き事前訓練を行うために,豊富なラベルなしデータを活用する最初の試みを行った。設計した歪み増強戦略を用いて高品質サンプルから発生した歪画像に基づいて,提案した予訓練を特徴表現予測タスクによって実行した。特に,ある格子に対応するパッチワイズ特徴表現を積分し,それ以下のパッチの表現に対する予測を行った。次に,予測品質を,BIQAタスクに対する品質意識情報を捉えるために,コントラスト損失を用いて評価する。KADID-10kおよびKonIQ-10kデータベース上で行った実験結果は,学習された事前訓練モデルが既存の学習ベースのIQAモデルに著しく利益を与えることを実証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： コントラスト ,  学習 ,  データ ,  データベース ,  *画質 ,  *モデル ,  機械学習
準シソーラス用語： *画質評価 ,  画像分類 ,  高品質 ,  ひずみ画像 ,  特徴表現 ,  深層学習 ,  ラベルなしデータ , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 画質評価 ,  自己 ,  教師 ,  訓練 ,  モデル