ARNIQA: 이미지 품질 평가를 위한 왜곡 다양체 학습

무참조 이미지 품질 평가(NR-IQA)는 고품질 참조 이미지 없이 인간의 인식과 일치하는 방법으로 이미지 품질을 측정하는 것을 목표로 합니다. 본 연구에서는 이미지 왜곡 다양체를 내재적으로 표현하기 위해 ARNIQA(leArning distoRtion maNifold for Image Quality Assessment)라는 자기 지도 학습 접근법을 제안합니다. 첫째, 우리는 순차적으로 적용되는 왜곡들의 유순한 시퀀스를 무작위로 조합하여 다양한 왜곡 패턴으로 이미지를 합성적으로 저하시키는 이미지 열화 모델을 소개합니다. 둘째, 동일한 방식으로 왜곡된 서로 다른 이미지의 패치들 간의 표현 유사성을 최대화하도록 모델을 학습시키는 방법을 제안합니다. 이에 따라 동일한 방식으로 저하된 이미지는 왜곡 다양체 내에서 인접한 위치에 해당됩니다. 마지막으로, 우리는 단순한 선형 회귀기를 사용하여 이미지 표현들을 품질 점수로 매핑합니다. 이를 통해 인코더 가중치를 미세 조정하지 않습니다. 실험 결과, 우리의 접근법은 여러 데이터셋에서 최고 수준의 성능을 달성함을 보여주었습니다. 또한, ARNIQA는 경쟁 방법들과 비교하여 개선된 데이터 효율성, 일반화 능력, 그리고 견고성을 입증하였습니다. 코드와 모델은 공개적으로 https://github.com/miccunifi/ARNIQA에서 이용 가능합니다.