구별 가능한 쌍 만들기
넓은 이미지 공간에 비해 믿을 만한 주관 평가 자료는 적을 수 있다. dipIQ는 다양한 내용을 가진 큰 이미지 집합에서 품질 차이를 구별할 수 있는 쌍을 자동으로 얻는 접근이다. 쌍의 수만 늘리는 것과 신뢰할 수 있는 비교를 만드는 것은 다르다.
순위 신경망 학습
많은 이미지 쌍과 각 쌍의 지각적 불확실성 수준을 이용해 RankNet으로 품질 모형을 학습한다. 평가 시에는 깨끗한 기준 이미지에 접근하지 않는다. 사람 점수를 쓰지 않는다는 조건과 참조가 없다는 조건을 구분해 이해할 수 있다.
목록 단위 확장
이미지 쌍을 넘어 품질을 구별할 수 있는 목록에 ListNet을 적용하는 확장도 다룬다. 이 방식의 결과는 dilIQ로 부른다. 쌍을 비교하는 학습과 여러 항목의 순서를 한꺼번에 이용하는 학습은 신호 구성이 다르다.
불확실한 비교의 예
설명용으로 거의 같은 두 결과와 차이가 큰 두 결과를 같은 확신으로 순위 학습에 쓰면 모호한 비교가 과도하게 반영될 수 있다. 비교의 불확실성을 구분하는 이유다. 실제 쌍 선택 기준이나 불확실성 공식, 논문 이미지의 예는 아니다.
관련 문서
RankIQA / UNIQUE 품질 평가 / HiRQA / NIQE / MDFS 품질 평가 / CONTRIQUE