Towards a Perceptual Image Quality Assessment Framework for Color Data
Notice bibliographique
Résumé
Quality assessment of image data plays a vital role in various applications, e.g., the evaluation and optimization of visual processing algorithms and the monitoring of visual communication systems. Although subjective assessment is the most reliable means to measure image quality, it is not always feasible in practical applications. Therefore, objective image quality metrics (IQMs) that can accurately predict the subjective judgments of average human observers have gained considerable attentions from research community. In the past few decades, numerous IQMs have been proposed to estimate the perceived quality of visual data. Depending on the availability of a reference (i.e., perfect quality) image to compare with, they can be categorized into full-reference (FR) and no-reference (NR) IQMs. Most existing IQMs are designed to rely on image features in the grayscale domain. Despite their reasonable performance in dealing with traditional distortions (e.g. additive white Gaussian noise or Gaussian blur), such grayscale IQMs tend to underestimate the visual disturbance caused by chromatic distortions, e.g., degradation caused from color gamut mapping or tone mapping algorithms.\nThis study proposes new color IQMs capable of handling image data exhibiting both chromatic and achromatic distortions by incorporating perceptual color attributes, e.g., hue and chroma. Both FR and NR IQMs are introduced for different target applications. In particular, the proposed solutions properly process directional hue data using directional statistical tools, addressing the general limitation of existing approaches that treating hue data as linear data. Extensive validation performed on large-scale databases demonstrates the proposed IQMs correlate well with the subjective ratings over commonly encountered chromatic and achromatic distortions, indicating that the appropriate handling of highly informative hue data improves the prediction accuracy of color IQMs. These promising results indicate that they can be deployed on a wide range of color image processing problems as generalized quality assessment solutions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».