Full-reference image quality assessment by combining global and local\n distortion measures
Notice bibliographique
Résumé
Full-reference image quality assessment (FR-IQA) techniques compare a\nreference and a distorted/test image and predict the perceptual quality of the\ntest image in terms of a scalar value representing an objective score. The\nevaluation of FR-IQA techniques is carried out by comparing the objective\nscores from the techniques with the subjective scores (obtained from human\nobservers) provided in the image databases used for the IQA. Hence, we\nreasonably assume that the goal of a human observer is to rate the distortion\npresent in the test image. The goal oriented tasks are processed by the human\nvisual system (HVS) through top-down processing which actively searches for\nlocal distortions driven by the goal. Therefore local distortion measures in an\nimage are important for the top-down processing. At the same time, bottom-up\nprocessing also takes place signifying spontaneous visual functions in the HVS.\nTo account for this, global perceptual features can be used. Therefore, we\nhypothesize that the resulting objective score for an image can be derived from\nthe combination of local and global distortion measures calculated from the\nreference and test images. We calculate the local distortion by measuring the\nlocal correlation differences from the gradient and contrast information. For\nglobal distortion, dissimilarity of the saliency maps computed from a bottom-up\nmodel of saliency is used. The motivation behind the proposed approach has been\nthoroughly discussed, accompanied by an intuitive analysis. Finally,\nexperiments are conducted in six benchmark databases suggesting the\neffectiveness of the proposed approach that achieves competitive performance\nwith the state-of-the-art methods providing an improvement in the overall\nperformance.\n
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».