NR-SIQA based on local to global regression
摘要： 本文提出當發生非對稱失真時，使用DMOS或MOS來訓練網絡是不合理的，因此使用FSIM對左右單獨視圖進行質量分數的預測，將預測標籤來訓練左右視圖網絡，稱之爲局部迴歸，然後使用DMOS來微調局部迴歸網絡，稱之爲全局迴歸。 方法介紹： 網絡總共分爲兩個階段，第一階段使用FSIM全參考方法預測左右視圖的質量分數，並使用左右視圖及其預測標籤來訓練局部迴歸網絡，在完成第一階段的訓練後，將局部網絡參數
相關文章
- 1. Image Retargeting: IMAGE RETARGETING BASED ON GLOBAL ENERGY OPTIMIZATION
- 2. Global and Local Variables
- 3. Local vs. global differential privacy
- 4. Proving local minimal to be global minimal in Convex optimization
- 5. 零基礎學nlp【4】 global attention 和 local attention（Effective approaches to attention-based neural mt）
- 6. [Unity] Global,Local,Center,Pivot
- 7. Local index or Global index？
- 8. An Introduction to CNN based Object Detection
- 9. total variation、global variation、local variation
- 10. compile freeswitch based on macOS
- 更多相關文章...
- • Docker 安裝 Python - Docker教程
- • Docker 安裝 Tomcat - Docker教程
- • Flink 數據傳輸及反壓詳解
- • Github 簡明教程
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Image Retargeting: IMAGE RETARGETING BASED ON GLOBAL ENERGY OPTIMIZATION
- 2. Global and Local Variables
- 3. Local vs. global differential privacy
- 4. Proving local minimal to be global minimal in Convex optimization
- 5. 零基礎學nlp【4】 global attention 和 local attention（Effective approaches to attention-based neural mt）
- 6. [Unity] Global,Local,Center,Pivot
- 7. Local index or Global index？
- 8. An Introduction to CNN based Object Detection
- 9. total variation、global variation、local variation
- 10. compile freeswitch based on macOS