제로 레퍼런스 영상 품질 평가(ZR-IQA) 및 그 한계점

ZR-IQA는 일반적으로 제로 레퍼런스 영상 품질 평가(Zero-Reference Image Quality Assessment)를 의미하며, 무레퍼런스 영상 품질 평가 (No-Reference IQA) 라고도 합니다.

이 기능은 추가 이미지 없이 단일 이미지만으로 이미지 품질을 추정합니다.

참고용 "완벽한" 이미지,
테스트 차트,
또는 알려진 실제 장면.

평가할 수 있는 것

ZR-IQA 방법은 다음과 같은 문제를 감지하거나 평가하는 경우가 많습니다.

흐릿함/선명도 저하
소음
노출 부족
낮은 대비
색상
압축 아티팩트
과도한 처리로 인한 오류
전반적인 지각적 이미지 품질

왜 유용한가

ZR-IQA는 다음과 같이 장면이 제어되지 않은 실제 환경 이미지를 평가해야 할 때 유용합니다.

현장 테스트
생산 모니터링
카메라 튜닝 비교
자동 이미지 스크리닝
대규모 이미지 데이터 세트

주요 제한 사항

ZR-IQA는 통제된 영상 품질 테스트를 대체하는 것이 아닙니다 .

참고 자료가 없기 때문에 결과는 다음과 같은 요인에 의해 크게 영향을 받을 수 있습니다:

장면 내용,
조명,
운동,
피사체의 질감,
알고리즘 학습 데이터,
그리고 카메라 처리.

이미지가 "더 나빠 보인다"고 알려줄 수는 있지만, 일반적으로 차트 기반 테스트에서 볼 수 있는 것과 같은 추적 가능한 물리적 측정값을 제공하지는 못합니다. 예를 들어 다음과 같은 것들이 있습니다.

MTF/경사진 모서리에서의 선명도
동적 범위
색상 오류
텍스처 손실
왜곡
균일성 / 렌즈 음영
제어된 조도 수준에서의 소음 통계

모범 사례

ZR-IQA를 선별 또는 모니터링 도구 로 사용한 다음, 표준화된 타겟과 Imatest 분석 모듈을 사용하는 통제된 실험실 테스트를 통해 카메라 성능을 검증하십시오. 예를 들면 다음과 같습니다.

선명도 향상을 위해 eSFR ISO 또는 SFRplus를 사용하세요.
색상/톤은 색상 및 소음에 적용됩니다.
텍스처 재현을 위한 무작위/흩어진 동전
균일성을 위한 플랫필드
노출 범위에 대한 동적 범위 목표

요약하자면:

ZR-IQA는 자연 이미지에서 인지된 품질을 추정하는 데 유용합니다.

차트 기반 Imatest 테스트는 객관적이고 반복 가능한 카메라 특성 분석에 더 적합합니다.

제로 레퍼런스 IQA 모델:

모델	년도	설명
비치	2010	블라인드 이미지 품질 지수(Blind Image Quality Index). 2단계 프레임워크로, 먼저 주요 왜곡 유형을 식별한 다음 왜곡 유형별 회귀 모델을 사용하여 품질을 추정합니다. JPEG, JP2K, 백색 잡음, 가우시안 블러 및 빠르게 사라지는 왜곡을 처리합니다.
신성한	2011	왜곡 식별 기반 영상 진실성 및 무결성 평가. 주변부, 결합부 및 교차 대역 NSS 통계를 활용한 조절 가능한 피라미드 분해를 사용하여 지각적 품질을 평가합니다. LIVE IQA 데이터베이스를 기반으로 학습되었습니다.
브리스크	2012	블라인드/참조 없는 이미지 공간 품질 평가 도구. 국소적으로 정규화된 휘도 계수와 MVG 거리 모델을 사용하여 공간 영역에서의 자연스러움 손실을 측정합니다. LIVE IQA 데이터베이스를 기반으로 학습되었습니다.
일-니크	2015	통합형 로컬 자연 이미지 품질 평가 도구. 사람의 주관적인 평가 점수가 필요 없는 지표로, 로컬 NSS 특징을 추출하고 자연 이미지 패치의 다변량 가우시안 모델과의 편차를 측정합니다.
비켓	2015	시각적 이미지 품질 평가 도구. 카메라폰으로 촬영한 이미지를 대상으로 하는 무참조 측정 방식입니다. 선명도, 노이즈, 색 재현율, 노출 및 자연 장면 통계를 통합하여 MOS와 유사한 단일 점수를 제공합니다. 인텔 코퍼레이션에서 개발했습니다.
비에콘	2017	국소 대비 특징 통계를 이용한 블라인드 이미지 품질 평가. 국소 대비 정규화 패치로 학습된 CNN 기반 모델. 국소 품질 회귀 및 전역 MOS 예측을 모두 지원합니다.
NRQM / 마	2017	단일 이미지 초해상도에 대한 참조 없는 품질 측정 지표입니다. 공간 및 주파수 영역 통계를 추출하여 초해상도 아티팩트(흐림, 링잉, 앨리어싱)를 정량화합니다. 인간의 지각 점수를 기반으로 학습된 2단계 회귀 모델을 사용합니다.
딥아이큐	2018	심층 CNN 기반 무참조 이미지 품질 평가. 32x32 패치 데이터셋을 사용하여 패치별 평균화를 적용한 10개 레이어의 컨볼루션 신경망입니다. 원본 픽셀 데이터에서 직접 시각적 품질을 예측하는 방법을 학습합니다.
DBCNN	2020	블라인드 IQA를 위한 심층 이중선형 합성곱 신경망. VGG16과 SCNN(Shearlet CNN)을 이중 백본으로 사용하고 이중선형 풀링을 통해 품질 예측을 위한 상호 보완적인 왜곡 특징을 포착합니다.
하이퍼IQA	2020	하이퍼네트워크 기반 이미지 품질 평가. ResNet-50 백본과 하이퍼네트워크 아키텍처를 사용하여 의미론적 특징으로부터 목표 네트워크 가중치를 생성하고, 지역 왜곡 특징을 기반으로 품질을 예측합니다.
마니카	2022	다차원 어텐션 네트워크를 이용한 이미지 품질 평가. 공간 및 채널 어텐션 모듈을 갖춘 Vision Transformer(ViT) 백본을 사용합니다. 다양한 이미지 품질 평가 데이터베이스에서 학습되어 데이터셋 간 강력한 일반화 성능을 보여줍니다. 최첨단 무참조 평가 지표를 사용합니다.
트레스	2022	이미지 품질 평가를 위한 Transformer 및 ResNet 모델. L2 풀링을 사용하는 ResNet 백본과, 특징 맵 간의 장거리 공간적 의존성을 모델링하는 Transformer 인코더를 활용하여 보다 정확한 품질 예측을 제공합니다.
재IQA	2023	이미지 품질 평가 재검토. ResNet-50 인코더와 두 개의 완전 연결 레이어(2048→2048→128) 및 품질 회귀 헤드를 사용합니다. 블라인드 이미지 품질 평가를 위한 간소화된 아키텍처입니다.
리크	2024	언어-이미지 품질 평가 도구. CLIP(ViT-B/32) 코덱을 사용하여 이미지와 품질 관련 텍스트 프롬프트를 공통 의미 공간으로 인코딩합니다. 이미지와 텍스트 임베딩 간의 코사인 유사도를 통해 품질을 예측합니다.
퀘이시엔	2024	블라인드 IQA를 위한 품질 비교 네트워크(CVPR 2024). 4단계 깊이별 분리형 CNN 백본과 3개의 비교 변환 레이어, 그리고 101개의 학습된 점수 피벗을 사용하여 256차원 임베딩 공간에서 기하학적 순서 학습을 통해 지각 품질을 추정합니다.