公开(公告)号：CN117152067B

公开(公告)日：2025-02-28

申请号：CN202311025101.X

申请日：2023-08-14

Applicant: 安徽大学

Inventor： 马健 ,  张潇尹 ,  李志鹏 ,  王俊博 ,  刘恋国

IPC: G06T7/00 ,  G06N3/0455 ,  G06N3/0985

Abstract: 本发明提供了一种基于深度元学习的无参考光场图像质量评估方法及系统，分别构建包含无参考光场图像质量评估任务的训练集和包含目标评估任务的测试集；构建包含Swin Transformer网络结构的深度元学习模型；基于训练集，学习失真的先验知识，得到质量先验模型；在测试集上对质量先验模型进行微调，得到最终的光场图像质量评估模型；利用光场图像质量评估模型对待评估光场图像进行光场图像质量评估。本发明克服了光场图像的空间和角度信息结合不够导致实验结果与真实结果相差较远以及采用深度学习可能会产生的拟合问题和对各种扭曲的不适应性，适应每一种扭曲类型，性能大大增强。

公开(公告)号：CN117152067A

公开(公告)日：2023-12-01

申请号：CN202311025101.X

申请日：2023-08-14

Applicant: 安徽大学

Inventor： 马健 ,  张潇尹 ,  李志鹏 ,  王俊博 ,  刘恋国

IPC: G06T7/00 ,  G06N3/0455 ,  G06N3/0985

Abstract: 本发明提供了一种基于深度元学习的无参考光场图像质量评估方法及系统，分别构建包含无参考光场图像质量评估任务的训练集和包含目标评估任务的测试集；构建包含Swim Transformer网络结构的深度元学习模型；基于训练集，学习失真的先验知识，得到质量先验模型；在测试集上对质量先验模型进行微调，得到最终的光场图像质量评估模型；利用光场图像质量评估模型对待评估光场图像进行光场图像质量评估。本发明克服了光场图像的空间和角度信息结合不够导致实验结果与真实结果相差较远以及采用深度学习可能会产生的拟合问题和对各种扭曲的不适应性，适应每一种扭曲类型，性能大大增强。