CVPR 2020 論文大盤點-圖像質量評價篇
本文繼去雨去霧去模糊篇 、 圖像增強與圖像恢復篇 、圖像修復Inpainting篇之後，繼續盤點CVPR 2020 中底層圖像處理技術中非常重要的一塊：圖像質量評價（Image Quality Assessment）。
示例如下圖：
上面左圖爲原圖，中間爲經過JPEG2000壓縮後的圖，右圖爲高斯模糊後的圖，從清晰度來講，肯定第一幅圖質量更高，質量評價就是給圖像打分，即如何用算法自動化給圖像打分。
可以是有參考圖像的打分，比如對圖像壓縮後質量進行評價。也可以沒有參考圖像，即盲圖像質量評價。
雖然是個小衆領域，但是很重要。
因爲對圖像處理增強也好、恢復也好，你總要評價結果好壞；又或者你單純的想對某一項視覺任務評估圖像能否滿足需要，比如針對人臉識別的質量評價，看一幅圖像是否應該拒絕還是輸入到人臉識別系統中；現在也有很多人研究圖像的美學評價，這就很好理解了，對圖像拍的美不美進行打分。
CVPR 2020 共有7篇相關論文，既涉及到底層的視覺感知質量的評價，也涉及到對高級視覺任務比如圖像描述、人臉識別的質量評價，多篇論文代碼開源並貢獻了數據集，非常值得參考！
已經開源或者即將開源的論文，把代碼地址也附上了。
大家可以在：
http://openaccess.thecvf.com/CVPR2020.py
按照題目下載這些論文。
如果想要下載所有CVPR 2020論文，請點擊這裏：
CVPR 2020 論文全面開放下載，含主會和workshop
該文爲兩個真實世界問題：圖像文字描述和視覺問答創建了大型圖像質量評價數據集，解決在這兩個問題圖像信息是否足夠進行文字描述和視覺問題。（感覺蠻有意思的，高級的視覺文本理解問題進行圖像質量評價）
[1].Assessing Image Quality Issues for Real-World Problems
作者 | Tai-Yin Chiu, Yinan Zhao, Danna Gurari
單位 | 得克薩斯大學奧斯汀分校
數據集 | https://vizwiz.org/tasks-and-datasets/image-quality-issues/（即將）
應對圖像質量評價模型在真實自然場景圖像應用中效果不如合成數據集的問題，該文提出一種自適應超網絡架構，分爲三個階段：內容理解，感知規則學習和質量預測。提取圖像語義後，由超網絡自適應地建立感知規則，然後由質量預測網絡預測結果。
[2].Blindly Assess Image Quality in the Wild Guided by a Self-Adaptive Hyper Network
作者 | Shaolin Su, Qingsen Yan, Yu Zhu, Cheng Zhang, Xin Ge, Jinqiu Sun, Yanning Zhang
單位 | 西北工業大學
代碼 | https://github.com/SSL92/hyperIQA
智能手機拍照功能的感知質量評估，該文建立了 66 部智能手機拍攝的 11125 幅圖像，並對每幅圖像廣泛調研了人類對其各種指標的評價，是對智能手機拍照功能的最全面比較研究，並基於此數據集設計了盲圖像質量評價基線模型，研究結果可用於設計更好的評估算法，也有助於智能手機拍照功能的改進。
[3].Perceptual Quality Assessment of Smartphone Photography
作者 | Yuming Fang, Hanwei Zhu, Yan Zeng, Kede Ma, Zhou Wang
單位 | 江西財經大學；香港城市大學；滑鐵盧大學
代碼 | https://github.com/h4nwei/SPAQ
人臉質量評估旨在評估人臉圖像是否適合識別，該文提出的方法大大超越之前的方法，並可方便集成到人臉識別系統中。
[4].SER-FIQ: Unsupervised Estimation of Face Image Quality Based on Stochastic Embedding Robustness
作者 | Philipp Terhorst, Jan Niklas Kolf, Naser Damer, Florian Kirchbuchner, Arjan Kuijper
單位 | Fraunhofer Institute for Computer Graphics Research IGD;達姆施塔特工業大學
代碼 | https://github.com/pterhoer/FaceImageQuality
爲了避開使用ImageNet等非圖像質量相關的數據集訓練的預訓練模型，作者收集了不同失真類型的數據集NR-IQA，並提出基於元學習方法學習人類評估圖像質量的先驗信息，然後在NR-IQA數據集上微調。實驗顯示該方法給出的結果大幅超越了之前的SOTA，並在真實圖像上泛化結果很好。
[5].MetaIQA: Deep Meta-Learning for No-Reference Image Quality Assessment
作者 | Hancheng Zhu, Leida Li, Jinjian Wu, Weisheng Dong, Guangming Shi
單位 | 西安電子科技大學；中國礦業大學
眼睛是心靈的窗口，也是面部最具吸引力的部位，該文提出一種針對眼部inpaint任務的眼部美學評估方法，在其引導下可以生成更加自然更具吸引力的眼部inpaint結果，超越商業軟件Adobe Photoshop Elements的效果。
[6].Assessing Eye Aesthetics for Automatic Multi-Reference Eye In-Painting
作者 | Bo Yan, Qing Lin, Weimin Tan, Shili Zhou
單位 | 復旦大學
（a）爲待修補的圖像，（b）爲Photoshop的結果，（d）爲該文結果
自適應分數階擴張卷積網絡在圖像美學評價中的應用，解決圖像縱橫比（圖像捲曲和裁剪）的改變對圖像質量評價的影響。
[7].Adaptive Fractional Dilated Convolution Network for Image Aesthetics Assessment
作者 | Qiuyu Chen, Wei Zhang, Ning Zhou, Peng Lei, Yi Xu, Yu Zheng, Jianping Fan
單位 | 北卡羅來納大學夏洛特分校，復旦大學，Amazon Lab126，西安電子科技大學
備註：增強
圖像增強與質量評價交流羣
圖像增強、去霧、去雨、圖像修補、圖像恢復等技術，
若已爲CV君其他賬號好友請直接私信。
OpenCV中文網
微信號 : iopencv
QQ羣：805388940
微博/知乎：@我愛計算機視覺
網站：www.52cv.net
在看，讓更多人看到