A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

A Fully-Blind and Fast Image Quality Predictor with Convolutional Neural Networks Um preditor de qualidade de imagem totalmente cego e rápido com redes neurais convolucionais

Zhengxue CHENG, Masaru TAKEUCHI, Kenji KANAI, Jiro KATTO

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A avaliação da qualidade de imagem (IQA) é um problema inerente na área de processamento de imagens. Recentemente, a avaliação da qualidade de imagem baseada em aprendizagem profunda atraiu cada vez mais atenção, devido à sua alta precisão de previsão. Neste artigo, propomos um preditor de qualidade de imagem rápido e totalmente cego (FFIQP) usando redes neurais convolucionais incluindo duas estratégias. Primeiro, propomos uma estratégia de agrupamento de distorção baseada na função de distribuição dos resultados da camada intermediária na rede neural convolucional (CNN) para tornar o IQA totalmente cego. Em segundo lugar, ao analisar a relação entre as informações de saliência da imagem e o erro de previsão da CNN, utilizamos um mapa de pré-saliência para ignorar os patches não salientes para a aceleração do IQA. Os resultados experimentais verificam que nosso método pode atingir alta precisão (0.978) com índices de qualidade subjetivos, superando os métodos de IQA existentes. Além disso, o método proposto é altamente atraente computacionalmente, alcançando um desempenho de complexidade flexível ao atribuir diferentes limites no mapa de saliência.

Publicação
IEICE TRANSACTIONS on Fundamentals Vol.E101-A No.9 pp.1557-1566
Data de publicação
2018/09/01
Publicitada
ISSN online
1745-1337
DOI
10.1587/transfun.E101.A.1557
Tipo de Manuscrito
PAPER
Categoria
Imagem

autores

Zhengxue CHENG
  Waseda University
Masaru TAKEUCHI
  Waseda University
Kenji KANAI
  Waseda University
Jiro KATTO
  Waseda University

Palavra-chave