품질 자료가 적은 문제
이미지 분류를 위해 학습한 신경망이 품질 평가에 필요한 왜곡 단서를 충분히 표현한다는 보장은 없다. 품질 정답 자료는 많지 않을 수 있다. MetaIQA는 여러 왜곡에서 공유할 수 있는 지식을 배우는 방향으로 이 문제를 다룬다.
과제 사이에서 배우기
먼저 다른 왜곡에 대한 무참조 품질 평가 과제들을 모은다. 메타 학습으로 다양한 왜곡에 공통적인 사전 지식을 학습한다. 모든 자료를 하나의 과제로 섞는 것과 달리 과제 사이의 적응을 고려하는 접근이다.
목표 과제의 미세 조정
품질 사전 모형을 목표 무참조 평가 과제에 미세 조정한다. 알려진 왜곡에서 배운 지식을 새로운 왜곡으로 옮기는 것이 관심사다. 합성 왜곡에서 학습한 모형의 실제 왜곡 일반화도 검토하지만 모든 새 조건에서의 무조건적 성공을 뜻하지는 않는다.
초기 지식과 새 과제
설명용으로 흐림과 압축 왜곡을 다루는 두 과제에서 유용한 초기 표현을 얻었다고 하자. 새 잡음 과제에서는 그 초기 표현을 출발점으로 조정할 수 있다. 실제 학습 과제 조합이나 적응 횟수가 아닌 공통 지식과 목표 적응의 관계를 설명하는 예다.
관련 문서
HyperIQA / CONTRIQUE / Re-IQA / DBCNN / UNIQUE 품질 평가 / RankIQA