Déviation de la Similarité de la Magnitude du Gradient : Un Indice de Qualité Perceptuelle d'Image Très Efficace

Il est d'une importance cruciale d'évaluer fidèlement la qualité perceptive des images de sortie dans de nombreuses applications telles que la compression d'images, la restauration d'images et le streaming multimédia. Un bon modèle d'évaluation de la qualité des images (IQA) doit non seulement offrir une précision de prédiction élevée, mais aussi être efficace sur le plan computationnel. L'efficacité des métriques IQA devient particulièrement importante en raison de la prolifération croissante de données visuelles à grande échelle dans les réseaux à haut débit. Nous présentons un nouveau modèle IQA efficace et performant, appelé Gradient Magnitude Similarity Deviation (GMSD). Les gradients d'image sont sensibles aux distorsions, tandis que différentes structures locales dans une image distordue subissent des degrés variés de dégradation. Cela nous motive à explorer l'utilisation de la variation globale des cartes locales basées sur les gradients pour prédire la qualité globale des images. Nous constatons que la similarité pixel par pixel des magnitudes de gradient (GMS) entre les images de référence et distordues, combinée à une nouvelle stratégie de pooling, permet une prédiction précise de la qualité perceptive des images grâce à l'écart type de la carte GMS. L'algorithme GMSD résultant est beaucoup plus rapide que la plupart des méthodes IQA actuelles et offre une précision de prédiction très compétitive.