跳到正文
热点事件持续更新

SHAMISA:无标注失真图像自监督预训练的无参考图像质量评估框架

1 篇报道1 个报道来源2 小时前更新

先了解这件事

AI 综述

Mahdi Naseri 与 Zhou Wang 提出 SHAMISA,一种非对比自监督框架,用无标注失真图像做无参考图像质量评估(NR-IQA)预训练,不需要主观评分标注,也不用对比损失。该方法目前以 arXiv 论文形式发布,性能结论来自作者自己在基准上的报告。 其组合式失真引擎从连续参数空间生成失真,保证每次仅一个失真因素变化,以细粒度控制表征相似性。预训练后的编码器被冻结,接一个线性回归器使用;作者称其在合成、真实及跨数据集 NR-IQA 基准上表现强劲,跨数据集迁移能力有提升。

AI 根据报道生成 · 39 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv cs.AI
    SHAMISA:面向无参考图像质量评估的自监督结构化隐式关联建模

    SHAMISA 是一种非对比自监督框架,利用无标注失真图像进行无参考图像质量评估(NR-IQA)预训练,无需主观评分标注和对比损失。其组合式失真引擎从连续参数空间生成失真,保证每次仅一个失真因素变化,实现对表征相似性的细粒度控制。预训练后的编码器冻结并接入线性回归器,在合成、真实及跨数据集 NR-IQA 基准上表现强劲,跨数据集迁移能力有提升。

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。