《表1 在LIVE数据集上与全参考算法的性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于增强型对抗学习的无参考图像质量评价算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将提出的无参考EAL-IQA算法和文献[30]列出的具有代表性的FR-IQA方法在LIVE数据集上做性能比较，实验结果如表1所示。可以看出：提出的EAL-IQA算法在LIVE数据库上表现出与主观评价很好的一致性，RMSE性能已经远远超过列出的其他全参考比较算法，SROCC和PLCC性能指标已经超过大部分全参考算法，诸如RFSIM（Riesz transforms based Feature SIMilarity index）[31]、NQM（Noise Quality Measure index）[32]、IFC（Information Fidelity Criterion index）[33]、UQI（Universal Quality Index）[34]。提出的EAL-IQA的SROCC值略低于MS-SSIM（Multi-Scale Structural SIMilarity）全参考算法[35]，与FSIM(Feature Similarity Index Method）[13]、VIF（Visual Information Fidelity index）[36]方法接近。与无参考算法相比，全参考算法的质量预测结果更符合人的感知特性[31]，本文的目标之一是希望借助对抗学习生成模拟的参考图像，从而像全参考算法那样，在功能上实现“模拟”人的视觉主观评价过程，这也是将提出的无参考算法和全参考算法做性能比较的原因。