Key points are not available for this paper at this time.
Imagens digitais no mundo real são criadas por uma variedade de meios e possuem propriedades diversas. Uma imagem de cena natural fotográfica (NSI) pode apresentar características substancialmente diferentes de uma imagem gráfica por computador (CGI) ou uma imagem de conteúdo de tela (SCI). Isso apresenta grandes desafios para a avaliação objetiva da qualidade da imagem, para a qual as abordagens existentes carecem de mecanismos eficazes para capturar tais variações de tipo de conteúdo, tornando assim difícil a generalização de um tipo para outro. Para abordar esse problema, primeiro construímos um banco de dados de tipo de conteúdo cruzado (CCT), que contém 1.320 NSIs, CGIs e SCIs distorcidas, comprimidas usando o método de codificação intra de vídeo de alta eficiência (HEVC) e a extensão de compressão de conteúdo de tela (SCC) do HEVC. Em seguida, realizamos um experimento subjetivo no banco de dados em um ambiente de laboratório bem controlado. Além disso, propondo um modelo de avaliação cega da qualidade de imagem adaptativa a tipo de conteúdo unificado (UCA) que é aplicável a diferentes tipos de conteúdo. Um passo fundamental no UCA é incorporar as variações das características perceptuais humanas ao visualizar diferentes tipos de conteúdo através de uma estrutura de ponderação em múltiplas escalas. Isso resulta em desempenho superior no banco de dados CCT construído. O UCA é livre de treinamento, implicando forte generalizabilidade. Para verificar isso, testamos o UCA em outros bancos de dados contendo imagens/vídeos comprimidos em JPEG, MPEG-2, H.264 e HEVC, e observamos que ele consistentemente alcança desempenho competitivo.
Min et al. (Qua,) estudaram essa questão.