arXiv cs.AI· Mahdi Naseri, Zhou Wang·· 10 小时前AI 评分22
SHAMISA:面向自监督无参考图像质量评估的隐式结构关联建模框架
SHAMISA: SHAped Modeling of Implicit Structural Associations for Self-supervised No-Reference Image Quality Assessment
AI 导读
SHAMISA 是一个非对比式自监督框架,通过显式结构化关系监督从无标注失真图像中学习无参考图像质量评估(NR-IQA)模型。其核心是组合式失真引擎,从连续参数空间生成失真图像并保证每次仅一个失真因素变化,从而在嵌入空间中对相似失真模式进行精细控制。预训练后的编码器冻结并接线性回归器,在合成、真实及跨数据集 NR-IQA 基准上表现良好,且无需 IQA 主观评分标注或对比损失。
正文 · AI 翻译
摘要:无参考图像质量评估(NR-IQA)旨在在没有原始参考图像的情况下估计感知质量。学习 NR-IQA 模型面临一个根本性瓶颈,因为它需要大量昂贵的人工感知标签。我们提出 SHAMISA,一个非对比自监督框架,通过显式结构化的关系监督从无标签的失真图像中学习。与先前施加刚性二元相似性约束的方法不同,SHAMISA 塑造柔软、可控的隐式结构关联,这些关联既具有失真感知能力又对内容敏感。一个关键创新是其组合式失真引擎,它从连续参数空间生成不可数族的退化,并对生成的图像进行分组,使得每次恰好只有一个失真因素变化。这种构造使得在训练期间能够对表征相似性进行细粒度控制。具有共享失真模式的图像在嵌入空间中被拉近,而严重程度的变化则产生结构化偏移。双源关系图在整个预训练过程中将已知的退化特征与涌现的结构亲和性整合在一起。然后,学习到的编码器被冻结并与线性回归器配对。在合成、真实和跨数据集 NR-IQA 基准上的大量实验展示了强大的整体性能、在报告的跨数据集比较中改进的迁移能力以及良好的定性鲁棒性诊断。自监督预训练不需要 IQA 意见分数标注或对比损失。
| 评论: | 已录用稿件版本。包含补充材料 |
| 主题: | 计算机视觉与模式识别(cs.CV);人工智能(cs.AI);机器学习(cs.LG) |
| 引用为: | arXiv:2603.13669 [cs.CV] |
| (或此版本的 arXiv:2603.13669v3 [cs.CV]) | |
| https://doi.org/10.48550/arXiv.2603.13669 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考: | IEEE Transactions on Image Processing 35 (2026) 11216-11227 |
| 相关 DOI: | https://doi.org/10.1109/TIP.2026.3744700
链接到相关资源的 DOI |
提交历史
来自:Mahdi Naseri [查看电子邮件]
[v1]
2026年3月14日星期六 00:37:26 UTC(7,265 KB)
[v2]
2026年3月17日星期二 17:34:31 UTC(7,265 KB)
[v3]
2026年11月17日星期二 21:56:49 UTC(7,267 KB)
来源:arXiv cs.AI · arxiv.org