首发：AIWalker
Comparison of Image Quality Models for Optimization of Image Processing Systems
paper：https://arxiv.org/abs.2005.01338
今天给各位推荐一篇个人认为“非常有价值的”图像复原方向的论文。
图像复原方向的小伙伴应该都比较清楚，常用的图像质量评价标准与人眼评价标准往往不具备一致性。这就导致了许多具有极高PSNR/SSIM指标的图像复原方法往往其视觉效果并不尽如人意。尽管GAN可以使得所训练的模型生成的图像具有比较好的视觉效果，但是生成的图像往往存在“假性纹理”，同时GAN训练的模型PSNR/SSIM往往较低。这就导致了不同方法训练的模型难以具有一个比较“公平”的图像质量评价标准。这篇论文从全参考图像质量模型在图像复原任务中的应用来说明不同图像质量评价方法的相对优势。个人认为这是一篇值得一读的“优秀”手稿。
Abstract
不同于之前IQA的评价方法。作者从另一个角度来评价不同IQA方法的性能：将其作为图像处理系统的优化目标。作者合计对11中全参考图像质量评价方法进行了对比评估，将这些IQA方法作为四种low-level图像处理任务(图像降噪、图像去模糊、图像超分、图像压缩)的目标函数。通过在优化的图像上进行充分的主观评价，对这些IQA方法对于不同任务的优缺点进行排序，同时为IQA方法提供一种潜在属性。
Experiments
论文本身没有什么比较好介绍的，建议感兴趣的研读一下原文。这里直击诶上结论与实验数据。
上图给出来不同任务、不同IQA方法作为损失函数时模型的主观评价结果。下面几个图给出来不同任务的视觉效果对比。
最后作者还给出来所提到的几种IQA与GAN相结合时的视觉效果对比，也就是说该IQA与GAN具有促进作用。
Conclusion
总而言之，可以用下面几句话来概括一下：
- （1）标准的全参考图像质量评价方法MAE、MS-SSIM因其简洁与鲁棒性在图像处理系统中仍具有非常重要的作用；
- （2） 其他IQA方法（如LPIPS、DISTS）在可控空间内有助于改善图像纹理质量；
- （3）尽管有些IQA方法具有可以促进高视觉效果图像生成，但其高计算复杂度、不可解释性会影响其应用。
推荐阅读：
- 45.2mAP+155FPS! PP-YOLO来了， 精度速度双超YOLOv4
- 韩松团队新作 | MCUNet | IoT设备+微型机器学习时代已经到来了
- 南开大学程明明团队新作 | ResNet的又一改进：SCNet
本文章著作权归作者所有，任何形式的转载都请注明出处。更多动态滤波，图像质量，超分辨相关请关注我的专栏深度学习从入门到精通。
