ZR-IQAは通常、ゼロ参照画像品質評価を意味し、参照なしIQAとも呼ばれます。
単一の画像から画像品質を推定しますが、以下の機能は不要です。
参照用の「完璧な」画像、
テストチャート、
または、既知の実際のシーン。
評価できる内容
ZR-IQA手法では、次のような問題を検出または評価しようとすることがよくあります。
ぼやけ／鮮明度の低下
ノイズ
露出不足
低コントラスト
色かぶり
圧縮アーティファクト
過剰処理によるアーティファクト
一般的な知覚画像品質
なぜそれが役立つのか
ZR-IQAは、以下のようなシーンが制御されていない実世界の画像を評価する必要がある場合に役立ちます。
実地試験
生産監視
カメラチューニング比較
自動画像スクリーニング
大規模画像データセット
主な制限事項
ZR-IQAは、管理された画像品質テストの代替となるものではありません。
参照データがないため、結果は以下の要因に大きく影響される可能性があります。
シーンの内容、
点灯、
モーション、
主題の質感、
アルゴリズムのトレーニングデータ、
そしてカメラ処理。
画像が「悪く見える」と表示されることはあるかもしれませんが、通常はチャートベースのテストのように追跡可能な物理的な指標を提供することはできません。例えば、次のような指標です。
MTF / 斜めのエッジからのシャープネス
ダイナミックレンジ
色のエラー
テクスチャの損失
ねじれ
均一性／レンズの色合い
制御された照度レベルにおける騒音統計
ベストプラクティス
ZR-IQAをスクリーニングまたはモニタリングツールとして使用し、標準化されたターゲットとImatest分析モジュールを使用した管理されたラボテストでカメラの性能を検証します。例：
シャープネスにはeSFR ISOまたはSFRplusを使用
色とノイズの色調
テクスチャ再現用のランダム/こぼれたコイン
均一性のためのフラットフィールド
ダイナミックレンジのターゲットは露出範囲を表します。
要するに：
ZR-IQAは、自然画像から知覚される品質を推定するのに適している。
チャートを用いたImatestテストは、客観的で再現性の高いカメラ特性評価に適しています。
ゼロ参照IQAモデル：
モデル | 年 | 説明 |
|---|---|---|
2010 | ブラインド画像品質指標。まず主要な歪みの種類を特定し、次に歪み固有の回帰モデルを使用して品質を推定する2段階のフレームワーク。JPEG、JP2K、ホワイトノイズ、ガウスぼかし、および急速に減衰する歪みに対応。 | |
2011 | 歪み識別に基づく画像精度および完全性評価。周辺NSS統計量、結合NSS統計量、およびクロスバンドNSS統計量を用いた操縦可能なピラミッド分解を使用して、知覚品質を評価します。LIVE IQAデータベースで学習済み。 | |
2012 | ブラインド/参照画像不要の画像空間品質評価ツール。局所的に正規化された輝度係数とMVG距離モデルを用いて、空間領域における自然さの損失を測定します。LIVE IQAデータベースで学習済み。 | |
2015 | 統合型ローカル自然画像品質評価ツール。ローカルNSS特徴を抽出し、自然画像パッチの多変量ガウスモデルからの偏差を測定する、主観評価に依存しない指標。人間の主観評価は不要です。 | |
2015 | 視覚的な画像品質評価ツール。カメラ付き携帯電話で撮影した画像を対象とした、参照基準を用いない評価指標です。シャープネス、ノイズ、色再現性、露出、自然なシーンの統計情報を統合し、MOSのような単一のスコアを算出します。インテル社が開発しました。 | |
2017 | 局所コントラスト特徴の統計情報を用いたブラインド画像品質評価。局所コントラスト正規化パッチで学習されたCNNベースのモデル。局所品質回帰とグローバルMOS予測の両方をサポートします。 | |
2017 | 単一画像超解像のための参照画像不要の品質指標。空間領域と周波数領域の統計情報を抽出し、超解像によって生じるアーティファクト（ぼやけ、リンギング、エイリアシング）を定量化します。人間の知覚スコアに基づいて学習された2段階回帰モデルを使用します。 | |
2018 | ディープCNNを用いた参照画像不要の画像品質評価。32x32ピクセルのパッチで平均化処理を施した10層の畳み込みネットワーク。生のピクセルデータから直接、知覚品質を予測することを学習します。 | |
2020 | ブラインドIQAのための深層バイリニア畳み込みニューラルネットワーク。VGG16とSCNN（Shearlet CNN）をデュアルバックボーンとして使用し、バイリニアプーリングを用いて相補的な歪み特徴を捉え、品質予測に役立てます。 | |
2020 | ハイパーネットワークに基づく画像品質評価。ResNet-50をバックボーンとし、ハイパーネットワークアーキテクチャを採用。意味特徴量からターゲットネットワークの重みを生成し、局所的な歪み特徴量に基づいて品質予測を行う。 | |
2022 | 画像品質評価のための多次元アテンションネットワーク。空間およびチャネルアテンションモジュールを備えたVision Transformer（ViT）バックボーンを使用。複数のIQAデータベースで学習済みで、データセット間での優れた汎化性能を実現。最先端の参照不要型評価指標。 | |
2022 | 画像品質評価のためのTransformerとResNet。L2プーリングを備えたResNetバックボーンと、特徴マップ間の長距離空間依存性をモデル化するTransformerエンコーダーを使用し、より正確な品質予測を実現します。 | |
2023 | 画像品質評価の再検討。2つの全結合層（2048→2048→128）と品質回帰ヘッドを備えたResNet-50エンコーダーを使用。ブラインドIQAのための合理化されたアーキテクチャ。 | |
2024 | 言語画像品質評価ツール。CLIP（ViT-B/32）を使用して、画像と品質関連のテキストプロンプトを共有意味空間にエンコードします。品質は、画像とテキストの埋め込み間のコサイン類似度によって予測されます。 | |
2024 | 盲人による画像品質評価のための品質比較ネットワーク（CVPR 2024）。4段階の深層分離型CNNバックボーンと、101個の学習済みスコアピボットを備えた3つの比較変換層を使用し、256次元の埋め込み空間における幾何順序学習によって知覚品質を推定します。 |