تقييم جودة الصورة باستخدام التعلم التبايني

نعتبر مشكلة الحصول على تمثيلات جودة الصور بطريقة ذاتية التدريب (self-supervised). نستخدم تنبؤ نوع التشوه ودرجة его الشدة كمهمة مساعدة لتعلم الميزات من مجموعة بيانات صور غير مُعلّمة تحتوي على مزيج من التشوهات الاصطناعية والواقعية. ثم نُدرّب شبكة عصبية تلافيفية عميقة (CNN) باستخدام دالة تحسين زوجية تناقضية (contrastive pairwise objective) لحل المهمة المساعدة. نُشير إلى الإطار التدريبي المقترح والنموذج العميق الناتج لجودة الصور باسم "مُقيّم جودة الصور التناقضية" (CONTRastive Image QUality Evaluator)، أو اختصارًا CONTRIQUE. أثناء التقييم، يتم تثبيت أوزان الشبكة العصبية، ويتم استخدام مُصنّف خطي لتحويل التمثيلات المُتعلّمة إلى درجات جودة في بيئة بدون مرجع (No-Reference، NR). نُظهر من خلال تجارب واسعة أن CONTRIQUE تحقق أداءً تنافسيًا مقارنةً بأفضل النماذج الحالية لجودة الصور بدون مرجع، حتى دون أي تحسين دقيق (fine-tuning) إضافي للهيكل الأساسي (backbone) للشبكة العصبية. كما أن التمثيلات المُتعلّمة تكون قوية جدًا ومتينة، وتُظهر قدرة عالية على التعميم على الصور التي تعاني من تشوهات اصطناعية أو حقيقية. تشير نتائجنا إلى أن تمثيلات جودة قوية ذات صلة بالإدراك البشري يمكن الحصول عليها دون الحاجة إلى مجموعات بيانات كبيرة مُعلّمة مسبقًا لجودة الصور ذاتية التقييم (subjective). تتوفر الإصدارات التنفيذية المستخدمة في هذه الورقة عبر الرابط التالي: \url{https://github.com/pavancm/CONTRIQUE}.