تنبؤ حساسية التشويه القائم على التعلم العميق لتقييم جودة الصورة المرجعية الكاملة

تهدف الطرق السابقة لتقييم جودة الصورة المرجعية الكاملة إلى تقييم جودة الصور المتأثرة بتشويهات تقليدية مثل JPEG، الضوضاء البيضاء، ضبابية Gaussian، وما إلى ذلك. ومع ذلك، هناك نقص في الأبحاث التي تقيس جودة الصور الناتجة عن خوارزميات معالجة الصور المختلفة، بما في ذلك زيادة الدقة، إزالة الضوضاء، الاستعادة، وغيرها. بدافع من النموذج السابق الذي يتنبأ بخريطة حساسية التشويه، نستخدم DeepQA كنموذج أساسي على قاعدة بيانات التحدي التي تتضمن عدة تشويهات. لقد حسّنا نموذج القاعدة بشكل أكبر عن طريق تقسيمه إلى ثلاثة أجزاء وتعديل كل جزء: 1) شبكة ترميز التشويه، 2) شبكة توليد الحساسية، و3) الانحدار الناتج. من خلال تجارب صارمة، حقق النموذج المقترح دقة تنبؤ أفضل على قاعدة بيانات التحدي مقارنةً بطرق أخرى. أيضًا، تُظهر الطريقة المقترحة نتائج تصور أفضل مقارنةً بالنموذج الأساسي. قدمنا نموذجنا في تحدي تقييم جودة الصورة الإدراكية NTIRE 2021 وحصلنا على المركز 12 في النتيجة الرئيسية.