Exploring-exploiting in deep embeddings for image quality retargeting assessment

Abstract

O redimensionamento de imagem envolve ajustar imagens de entrada para dimensões arbitrárias (linhas e colunas) enquanto preserva as regiões de interesse. Avaliar a qualidade da imagem sob diferentes proporções de aspecto é particularmente desafiador, pois requer correspondência de conteúdo e análise de conteúdo semântico. Neste estudo, são introduzidos dois algoritmos objetivos de avaliação de qualidade para redimensionamento de imagem. O primeiro é uma abordagem baseada em autoencoder, chamada AutoEncoder Information MaP Similarity (AEIMPS). Ele utiliza o fator de redimensionamento, o espaço latente e a imagem reconstruída em seu pipeline. O segundo, inspirado no primeiro, é o Encoding MaP Image Retargeting Quality (EMPIRQ). É uma abordagem sem referência que avalia a qualidade no redimensionamento de imagem através de arquiteturas de regressores que utilizam codificações calculadas por autoencoders como entrada. A proposta foi avaliada em um conjunto de dados do estado da arte amplamente reconhecidos, onde espectadores humanos forneceram opiniões pessoais sobre a qualidade perceptual. Além disso, também são propostos cinco modelos base para analisar o viés em relação aos resultados. O EMPIRQ obteve resultados notáveis: LLC de 0,98, SRCC de 0,98, RMSE de 3,06 e OR de 0,01, superando todos os modelos base e algoritmos de estado da arte sob comparação