No-Reference Quality Assessment of Blurred Images by Combining Hybrid Metrics
Notice bibliographique
Résumé
No reference or blind image quality assessment (NR-IQA) pertains to the challenge of evaluating image visual quality in the absence of a reference image.NR-IQA is necessary for many applications such as medical imaging and surveillance.Consequently, there is a need to devise a novel metric independent of the pristine reference image.The current NR-IQA metrics' performance may be satisfactory for a specific type of blurring but may prove inadequate for other types.This paper focuses on blurred images and presents a novel NR-IQA metric based on restoration schemes and hybrid metrics.Specifically, we utilize a blind restoration technique to address the issue of image blurring.This restoration technique includes three steps: 1) estimating a point spread function (PSF) from the input blurred image, 2) applying a Winner filter to the blurred image to obtain a deblurred image, and 3) convolving the estimated PSF with the deblurred image to produce the reblur image, which is used as a reference image.Furthermore, we utilize the gradient magnitude similarity deviation (GMSD), structure similarity index method (SSIM), peak signal-to-noise ratio (PSNR), and as potent full reference metrics.These metrics are combined to form a viable strategy to enhance the system's performance.The metric under consideration can promptly evaluate an image's quality without necessitating prior learning or training.Compared to existing IQA models, the proposed metric requires no reference, prior learning, or training procedures, making it more convenient and time-efficient.The experimental findings obtained from the analysis of five IQA databases demonstrate that the metric proposed in this study exhibits a level of performance that is on par with the current leading NR-IQA metrics.The comparative results demonstrate that the proposed method outperforms existing NR-IQA methods such as SSEQ, ENIQA, BMPRI, and BLIINDS-II, with Spearman's rank ordered correlation coefficient (SROCC) values higher than 0.87, 0.78, and 0.88 for Gaussian, motion, and out-of-focus blur, respectively.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».