Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

NVS-SQA: Khám phá việc học biểu diễn chất lượng tự giám sát cho các cảnh được tổng hợp bằng nơ-ron mà không cần tham chiếu

Created by
  • Haebom

Tác giả

Cường Khúc, Yiran Shen, Xiaoming Chen, Yuk Ying Chung, Weidong Cai, Tongliang Liu

Phác thảo

Trong bài báo này, chúng tôi đề xuất một phương pháp mới để đánh giá chất lượng tổng hợp dạng xem dựa trên mạng nơ-ron (NVS), được gọi là NVS-SQA. Các phương pháp đánh giá chất lượng NVS hiện có dựa trên các phương pháp tham chiếu đầy đủ như PSNR, SSIM và LPIPS, có những hạn chế do thiếu các dạng xem tham chiếu dày đặc và khó khăn trong việc thu thập nhãn nhận thức của con người. Để giải quyết những vấn đề này, NVS-SQA đề xuất một phương pháp để học các biểu diễn chất lượng không tham chiếu thông qua học tự giám sát mà không có nhãn của con người. Thay vì tuân theo các giả định của học tự giám sát hiện có, chúng tôi sử dụng các tín hiệu heuristic và điểm chất lượng làm mục tiêu học tập và cải thiện hiệu quả học tập thông qua một quy trình chuẩn bị cặp tương phản đặc biệt. Kết quả thực nghiệm cho thấy NVS-SQA vượt trội đáng kể so với 17 phương pháp không tham chiếu hiện có và 16 phương pháp tham chiếu đầy đủ.

Takeaways, Limitations

Takeaways:
Nó giải quyết hiệu quả tình trạng thiếu các quan điểm tham chiếu dày đặc và khó khăn trong việc đảm bảo nhãn của con người trong các đánh giá chất lượng NVS hiện có (__T36329_____).
Chúng tôi trình bày một phương pháp đánh giá chất lượng không cần tham chiếu, dựa trên học tập tự giám sát có thể giảm chi phí thu thập và dán nhãn dữ liệu.
Nó cho thấy hiệu suất tuyệt vời, vượt trội hơn hẳn các phương pháp tham chiếu không tham chiếu và tham chiếu toàn miền hiện có.
Limitations:
Có thể cần nghiên cứu thêm để khám phá khả năng khái quát hóa của các tín hiệu kinh nghiệm và điểm chất lượng được đề xuất.
Nó chỉ có thể được tối ưu hóa cho một số loại mô hình NVS nhất định và hiệu suất tổng quát của nó trên nhiều mô hình NVS hơn cần được xác nhận thêm.
Do bản chất của việc tự học, khả năng diễn giải quá trình học tập có thể bị hạn chế phần nào.
👍