SHAMISA:无参考图像质量评估的自监督框架
热点事件持续更新
SHAMISA:无参考图像质量评估的自监督框架
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Mahdi Naseri 与 Zhou Wang 提出 SHAMISA,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。 作者称,该框架在合成、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。
AI 根据报道生成 · 53 分钟前更新
最新进展11月20日 13:00
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报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv cs.AISHAMISA: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 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。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。