Apprentissage d'une métrique de qualité sans référence pour la super-résolution d'images uniques

De nombreuses algorithmes de sur-résolution mono-image ont été proposés dans la littérature, mais peu d'études abordent le problème de l'évaluation des performances basée sur la perception visuelle. Bien que la plupart des images de sur-résolution soient évaluées par des métriques à référence complète, l'efficacité de ces évaluations n'est pas claire et les images de référence nécessaires ne sont pas toujours disponibles en pratique. Pour résoudre ces problèmes, nous menons des études avec des sujets humains en utilisant un grand ensemble d'images de sur-résolution et proposons une métrique sans référence apprise à partir de scores perceptuels visuels. Plus précisément, nous concevons trois types de caractéristiques statistiques de bas niveau dans les domaines spatial et fréquentiel pour quantifier les artefacts de sur-résolution, et nous apprenons un modèle de régression en deux étapes pour prédire les scores de qualité des images de sur-résolution sans faire référence aux images de référence. Des résultats expérimentaux approfondis montrent que la métrique proposée est efficace et performante pour évaluer la qualité des images de sur-résolution basée sur la perception humaine.