회귀와 순위의 연결
회귀는 절대 점수를 맞추고 순위 학습은 어느 이미지가 더 좋은지 관계를 다룬다. MR-IQA는 두 학습 방식의 관계를 품질 간격으로 분석한다. 목표 최적화 수준에서 어떤 간격을 맞추는지 살피는 관점이다.
서로 다른 간격 정보
회귀는 점수 끝점에서 유도되는 간격을 다루며 순위는 선호 확률을 통한 변환된 간격이나 부호 수준의 관계를 다룬다. 단순한 선호 순서와 수치 간격은 같은 정보가 아니다. 이 차이를 유지한 채 공통 구조를 살핀다.
정책 보상으로 간격 활용
품질 점수를 표본추출하고 쌍별 간격 오차를 보상으로 최적화한다. 한 이미지의 점수를 독립적으로 맞추는 것보다 관계 구조를 명시적으로 다루려는 방향이다. 간격이 맞는 것과 절대 점수가 보정되어 있는지도 각각 확인해야 한다.
간격과 기준점의 독립 계산
설명용 점수 2와 5의 간격은 3이고 12와 15도 간격은 3이다. 간격만 같아도 절대 수준은 다를 수 있다. 실제 연구의 점수 범위나 계산식을 사용하지 않은 예이며 관계 정확도와 점수 보정을 구분한다.
관련 문서
선호 쌍 순위 품질 평가 / RankIQA / MSTRIQ / Q-Insight / Q-Hawkeye / T2IScoreScore