.png){kind=icon}
返回
A quality assessment algorithm for no-reference images based on transfer learning
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.2654.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像质量评估（IQA）在自动检测和纠正图像缺陷方面发挥着关键作用，从而提升图像处理和传输系统的整体性能。尽管基于参考的IQA研究已相当成熟，但无参考图像IQA的研究仍处于发展阶段。在本文中，我们提出了一种基于迁移学习（IQA-NRTL）的新型无参考IQA算法。该算法利用深度卷积神经网络（CNN），因其能够有效捕捉多尺度语义信息特征，这些特征对于表示图像中的复杂视觉感知至关重要。这些特征通过视觉感知模块提取。随后，一个自适应融合网络整合这些特征，并通过一个全连接回归网络将融合后的语义信息与全局语义信息相关联，以执行最终的质量评估。在真实失真数据集（KonIQ-10k、BIQ2021）、合成失真数据集（LIVE、TID2013）以及人工智能（AI）生成内容数据集（AGIQA-1K）上的实验结果表明，所提出的IQA-NRTL算法在性能上显著优于主流无参考IQA算法，具体表现随图像内容和复杂度的变化而有所不同。
Keyword:
Image quality assessment (IQA)
Non-reference image quality assessment (IQA-NRTL)
Transfer learning
Deep convolutional neural network
Adaptive fusion network
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
GoogLeNet based on residual network and attention mechanism identification of rice leaf diseases基于GoogLeNet残差网络和注意力机制的水稻叶部病害识别
PREAI
分享收藏分享收藏Full-Reference Objective Quality Metric for Three-Dimensional Deformed Models基于全参考的三维变形模型客观质量度量
PREAI
分享收藏LIVECell-A large-scale dataset for label-free live cell segmentationLIVECell-用于无标记活细胞分割的大规模数据集.png)
NATURE METHODS
OAAI
NATURE METHODSIF32.1
OAAI分享收藏Deepfake detection using deep learning methods: A systematic and comprehensive review使用深度学习方法的Deepfake检测: 系统和全面的综述OAAI
OAAI分享收藏
查看更多内容