Multiskalare strukturelle Ähnlichkeit für die Bildqualitätsbewertung
{A.C. Bovik E.P. Simoncelli Z. Wang}

Abstract
Das Paradigma der strukturellen Ähnlichkeitsbildqualität basiert auf der Annahme, dass das menschliche visuelle System stark darauf ausgelegt ist, strukturelle Informationen aus einer Szene zu extrahieren. Daher kann ein Maß für die strukturelle Ähnlichkeit eine gute Näherung an die wahrgenommene Bildqualität liefern. In diesem Artikel wird ein mehrskaliges Verfahren zur Bestimmung der strukturellen Ähnlichkeit vorgeschlagen, das gegenüber bisherigen eindeutig skalierten Methoden eine größere Flexibilität bei der Berücksichtigung der Schwankungen der Betrachtungsbedingungen bietet. Wir entwickeln eine Methode zur Bildsynthese, um die Parameter zu kalibrieren, die die relative Bedeutung verschiedener Skalen definieren. Experimentelle Vergleiche belegen die Wirksamkeit des vorgeschlagenen Ansatzes.
Benchmarks
| Benchmark | Methodik | Metriken |
|---|---|---|
| video-quality-assessment-on-msu-sr-qa-dataset | MS-SSIM | KLCC: 0.07821 PLCC: 0.16035 SROCC: 0.11017 Type: FR |
| video-quality-assessment-on-msu-sr-qa-dataset | MS-SSIM Fast | KLCC: 0.18174 PLCC: 0.21800 SROCC: 0.24422 Type: FR |
| video-quality-assessment-on-msu-sr-qa-dataset | MS-SSIM Superfast | KLCC: 0.16578 PLCC: 0.30014 SROCC: 0.21604 Type: FR |
| video-quality-assessment-on-msu-sr-qa-dataset | MS-SSIM Precise | KLCC: 0.17468 PLCC: 0.20935 SROCC: 0.23108 Type: FR |
| video-quality-assessment-on-msu-video-quality-1 | MS-SSIM | KLCC: 0.7625 PLCC: 0.9375 SRCC: 0.9026 |
KI mit KI entwickeln
Von der Idee bis zum Start — beschleunigen Sie Ihre KI-Entwicklung mit kostenlosem KI-Co-Coding, sofort einsatzbereiter Umgebung und den besten GPU-Preisen.