선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 이 문제를 완화하기 위해 새로운 단순 라플라스 연산자를 이용한 FR-IQA 척도(Simple Laplace operator-based Quality Metric: SLQM)를 제안한다. 본 논문에서 FR-IQA 모델링을 위해 처음으로 도입한 단순 라플라스 연산자는 사람 시각 체계(Human Visual System: HVS)의 인지 화질 특성을 효과적으로 반영하면서 동시에 매우 낮은 연산 복잡도를 가지고 있기 때문에 제안 FR-IQA 척도는 높은 주관적 화질 예측 성능을 유지하면서 위에서 언급한 계산 복잡도 문제를 효과적으로 완화시킬 수 있다.
- 본 논문에서는 단순 라플라스 연산자를 이용한 새로운 고속 및 고성능 FR-IQA 척도를 제안했다. 본 논문에서 도입한 단순 라플라스 연산자는 연산이 매우 빠를 뿐만 아니라 HVS의 영상 신호 인지 특성을 반영하고 있기 때문에 제안 FR-IQA 척도에 효과적으로 적용되었다.
- 이에 따라, 최근 영상 화질 최적화 문제에 적용이 용이하도록, 좋은 수학적 특성을 만족시키면서 또한 높은 주관적 화질 예측 성능을 가지는 FR-IQA 척도를 개발하기 위한 활발한 노력이 있어 왔다[19],[20]. 본 논문에서는 영상 화질 최적화 문제 적용에 용이한 좋은 수학적 특성을 만족시키는 고속 FR-IQA 모델링 방법에 집중한다.
- 그럼에도 불구하고, 최근 개발된 MoSSIM과 PAMSE는 상대적으로 높은 계산 복잡도를 요구한다. 본 논문에서는 이 문제를 완화하기 위해 새로운 단순 라플라스 연산자를 이용한 FR-IQA 척도(Simple Laplace operator-based Quality Metric: SLQM)를 제안한다. 본 논문에서 FR-IQA 모델링을 위해 처음으로 도입한 단순 라플라스 연산자는 사람 시각 체계(Human Visual System: HVS)의 인지 화질 특성을 효과적으로 반영하면서 동시에 매우 낮은 연산 복잡도를 가지고 있기 때문에 제안 FR-IQA 척도는 높은 주관적 화질 예측 성능을 유지하면서 위에서 언급한 계산 복잡도 문제를 효과적으로 완화시킬 수 있다.
제안 방법
- Wang이 제안한 SSIM 방법은 ‘HVS는 영상 패턴의 구조적 정보를 추출하는데 상당히 적응되어 있다’라는 가정을 기반으로 개발되었고, 현재 FR-IQA 방법의 마일스톤으로 평가받고 있다[11]. SSIM은 이에 따라 원본 영상과 왜곡된 영상 간 광도(luminance), 대비(contrast) 및 구조(structure) 특징에 대한 유사도를 기반으로 왜곡 영상의 화질을 예측했다. SSIM은 국부 영상 영역의 화질을 예측하기 위해, 특징값(국부 영상 신호들의 평균값, 분산값 또는 중심화 된(평균이 0인) 픽셀 벡터)을 영상 신호로부터 추출하고, 원특징 값에 대한 유사도 형태(similarity form)로 국부 영역의 화질을 예측했다.
- 본 논문에서 단순 선형 연산자(라플라스 연산자)를 사용하는 FR-IQA 척도를 제안한다. 본 논문에서 우리는 제안 방법을 Simple Laplace operator based Quality Metric (SLQM)으로 명명하였다.
- 첫 번째로, 제안 SLQM의 성능이 다양한 색공간에서 어떤 성능 변화를 가지는지를 분석하기 위해, 5 종류의 색공간, 즉, XYZ, HSV, RGB, YCbCr, Luv에 대해서 실험을 수행하였다. SLQM에 도입된 각각의 색공간 정보는 SLQM의 아래첨자로 표시하였다(예를 들어, YIQ 색공간에 대해 수행된 SLQM은 SLQMYIQ로 표시).
대상 데이터
- 실험에 사용된 IQA 데이터베이스는 총 4개 (LIVE, CSIQ, TID2008, TID2013)로, 표 1은 이들에 대한 정보를 보인다. 표 4는 테스트 FR-IQA 척도들에 대한 영상 화질 예측 성능 실험 결과를 보인다.
- 다음으로 SLQM의 연산속도에 대한 성능실험을 수행하였다. 연산 속도 실험은 24 GB의 RAM을 가지는 3.2 GHz Intel i7TM 프로세서 상에서 수행되었고, 테스트 플랫폼은 MATLABTM R2013a이다. 테스트는 TID2013 데이터베이스의 전체 왜곡 영상에 대해 수행하였고, 평균 연산 속도는 초당 계산 프레임 속도(frames per second, fps)로 구했다.
- 우리는 이에 대한 분석을 위해 IQA영상 데이터 셋을 정밀히 조사하였다. 조사 결과, 색차 왜곡을 포함하는 영상의 경우 피 실험자들은 색차 신호의 구조적 왜곡(예를 들어 Bayes 패턴과 유사한 왜곡 등)보다는 색차 값 자체가 바뀐 경우(예를 들어 색 포화 왜곡 등)에 대해 상대적으로 왜곡을 크게 인지(낮은 주관적 화질 점수값을 책정)한 것을 확인하였다.
- 즉, i) 제안 SLQM을 다양한 색공간에 적용함에 따라 어떤 성능 변화가 있는지를 분석하며 ii) 제안 SLQM에 있어서 식 (10)과 식 (11)에서 사용된 광도 및 색차 신호에 대한 각각의 특징들에 대한 단독 성능 분석을 수행하여 제안 방법에 사용된 라플라스 연산자의 효과성을 분석한다. 이를 위해 현재 공식적으로 사용가능하며 가장 많은 데이터를 가지는 4개의 데이터베이스(TID2013[21], TID2008[22], CSIQ[18], LIVE[23])에 대해 주관적 화질 예측 성능 실험을 수행하였다. 표 1은 실험에 사용된 데이터베이스의 정보를 보인다.
데이터처리
- 반면, 본 논문에서 제안하는 SLQM은 식 (10)을 이용해 색차 신호에 대한 왜곡도 고려하고 있다. 공정한 비교를 위해, MoSSIM 및 PAMSE에 대해 제안한 방법과 동일한 식 (10)의 색차 신호에 대한 왜곡 모델을 추가한 경우에 대해서도 실험을 수행하였다. 색차신호에 대한 왜곡 모델이 추가된 MoSSIM 및 PAMSE는 각각 MoSSIMc, PAMSEc으로 명명하였다.
- 제안하는 SLQM의 성능을 주관적 영상 화질 예측 정확도 및 계산 복잡도 측면에서 검증하였다. 본 논문에서는 영상 최적화 문제에 적용이 용이한 좋은 수학적 특성을 가지는 FR-IQA 모델링 방법에 집중하였기 때문에 제안 SLQM는 마찬가지로 좋은 수학적 특성을 가지는 3종류의 FR-IQA 척도들(PSNR, MoSSIM[19], PAMSE[20])과 비교되었다. 여기서 MoSSIM, PAMSE는 모두 광도 신호에 대한 왜곡만을 고려한다.
- 두 번째로, 제안 SLQM에 있어서 식 (9)의 라플라스 연산된 광도신호의 MSE 및 식 (10)의 색차 신호의 MSE가 각 특징들이 영상의 화질 예측에 어떤 영향을 주는지 확인하였다. 이를 위해 식 (9) (SLQML으로 명명) 및 식 (10)(SLQMuv라고 명명) 특징들을 각각 독립적으로 사용하여 주관적 화질 성능 평가를 수행하였다. 표 3은 Luv을 모두 사용한 식 (11)의 제안방법(SLQMLuv), 식 (9)만 사용한 SLQML, 식 (10)만 사용한 SLQMuv의 성능을 보인다.
- 제안하는 SLQM의 성능을 주관적 영상 화질 예측 정확도 및 계산 복잡도 측면에서 검증하였다. 본 논문에서는 영상 최적화 문제에 적용이 용이한 좋은 수학적 특성을 가지는 FR-IQA 모델링 방법에 집중하였기 때문에 제안 SLQM는 마찬가지로 좋은 수학적 특성을 가지는 3종류의 FR-IQA 척도들(PSNR, MoSSIM[19], PAMSE[20])과 비교되었다.
- 성능 검증을 위해, 본 논문에서는 4개의 성능 지표를 도입하였다. 즉, SROC(Spearman Rank-Order Correlation coefficient), KROC(Kendall Rank-Order Correlation coefficients), PLCC(Pearson Linear Correlation coefficient) 및 RMSE(Root Mean Squared Error)을 사용하였다. 여기서 SROC, KROC, PLCC는 IQA 방법을 이용해 예측한 화질 값과 실제 측정한 주관적 화질 값 간의 상관도를 나타내는 것으로, 큰 값을 가질수록 해당 FR-IQA 방법이 더 좋은 성능을 가진다고 할 수 있다.
- 추가적으로, 본 논문에서 제안하는 라플라스 연산자 기반 MSE가 색체 신호에 대한 왜곡 모델로도 적합한지 확인하기 위해 L, u, v 각각의 채널마다 모두 식 (9)와 동일한 라플라스 연산기반 MSE를 사용하여 주관적 화질 예측 성능을 테스트하였다. 편의상 이렇게 변형된 방법을 SLQMmod1 이라고 명명하였다.
- 2 GHz Intel i7TM 프로세서 상에서 수행되었고, 테스트 플랫폼은 MATLABTM R2013a이다. 테스트는 TID2013 데이터베이스의 전체 왜곡 영상에 대해 수행하였고, 평균 연산 속도는 초당 계산 프레임 속도(frames per second, fps)로 구했다. 표 5는 테스트 FR-IQA 척도에 대한 평균 연산속도(fps)를 보인다.
이론/모형
- FR-IQA 방법의 예측된 값과 실제 측정한 주관적 화질 점수간 단조-비선형 관계를 가질 수 있기 때문에, 로지스틱 회귀모델[24]을 사용하여 예측한 화질값을 측정값 주관적 화질 점수에 매핑한 후 PLCC와 RMSE을 측정하였다. 4가지 성능 측정 지표 중, SROC 및 KROC가 FR-IQA 방법의 성능을 측정하기 위한 대표적인 성능 지표로 사용된다[10].
- 반면 RMSE(Root Mean Squared Error)의 경우 FR-IQA 방법으로 예측한 결과 값과 실제 측정한 주관적 화질 점수 간 평균 유클리디언 거리를 나타내는 것으로, 이 거리가 0에 가까울수록 FR-IQA 방법이 주관적 화질 점수를 더 정확하게 예측한다고 할 수 있다. FR-IQA 방법의 예측된 값과 실제 측정한 주관적 화질 점수간 단조-비선형 관계를 가질 수 있기 때문에, 로지스틱 회귀모델[24]을 사용하여 예측한 화질값을 측정값 주관적 화질 점수에 매핑한 후 PLCC와 RMSE을 측정하였다. 4가지 성능 측정 지표 중, SROC 및 KROC가 FR-IQA 방법의 성능을 측정하기 위한 대표적인 성능 지표로 사용된다[10].
- 다양한 색 공간에서 제안 SLQM의 성능을 테스트 해 보았고, 결과적으로 제안방법은 Luv 색 공간에서 상대적으로 높은 예측 성능을 가지는 것을 확인하였다(보다 자세한 실험 결과는 4장에서 설명됨). 결과적으로, 제안 SLQM 방법은 Luv 색 공간에서 수행된다. 원본 영상 및 왜곡 영상 신호는 각각 X = (XL, Xu, Xv), 왜곡 영상 Y = (YL, Yu, Yv)으로 표현되며, 여기서 아래첨자 L은 광도(luminance) 채널을 u, v는 색차(chrominance) 채널을 의미한다.
- 결과적으로 Luv 색공간에서 제안 방법은 가장 높은 성능을 보였다. 따라서 본 논문에서 제안하는 SLQM는 Luv 색 공간에서 계산되도록 설정하였다. 색 공간과 IQA방법의 화질점수 예측력 간 상관관계에 대한 보다 근본적인 이유에 대한 연구는 아직 기존 어떤 논문에서도 언급되지 않았으며, 이에 대해서는 향후 확장 연구를 통해 밝혀낼 계획이다.
- 본 논문에서 단순 선형 연산자(라플라스 연산자)를 사용하는 FR-IQA 척도를 제안한다. 본 논문에서 우리는 제안 방법을 Simple Laplace operator based Quality Metric (SLQM)으로 명명하였다. 다양한 색 공간에서 제안 SLQM의 성능을 테스트 해 보았고, 결과적으로 제안방법은 Luv 색 공간에서 상대적으로 높은 예측 성능을 가지는 것을 확인하였다(보다 자세한 실험 결과는 4장에서 설명됨).
- 왜곡 영상에 대한 객관적 영상 화질 측정 방법은 참조 영상 정보의 사용 가능성 정도에 따라 완전 참조(Full-Reference: FR) IQA 방법, 감소 참조(Reduced-Reference: RR) IQA 방법, 무 참조(No-Reference: NR) IQA 방법으로 나뉜다[10]. 본 논문에서는 완전 참조 IQA(FR-IQA) 방법만을 다룬다.
성능/효과
- 따라서 전체 SROC, KROC 측면에서 SLQM은 PAMSE 및 PSNR보다 약 12%~15% 포인트 더 향상된 성능을 보였다. MoSSIM과 비교한 경우, 제안 방법은 전체 SROC, KROC 관점에서 각각 5%-포인트, 7%-포인트 더 높은 성능을 보였다.
- 제안하는 SLQM은 PSNR을 제외하면 3개의 FR-IQA 척도들 중 가장 빠른 연산 속도를 가진다. PAMSE의 연산속도는 제안 SLQM보다 약간 느리지만, MoSSIM 보다는 훨씬 빠른 연산 속도(약 1.8배)를 가진다는 것을 알 수 있다. 그러나 표 5에서 보이듯이 PSNR과 PAMSE는 제안 방법보다 영상 화질 예측성능이 상당히 낮다.
- 표 2는 다섯 종류의 색공간에 대한 제안 방법의 주관적 화질 점수 예측 성능을 보인다. 결과적으로 Luv 색공간에서 제안 방법은 가장 높은 성능을 보였다. 따라서 본 논문에서 제안하는 SLQM는 Luv 색 공간에서 계산되도록 설정하였다.
- 표 4는 테스트 FR-IQA 척도들에 대한 영상 화질 예측 성능 실험 결과를 보인다. 결과적으로, 표 4에서 알 수 있듯이 제안하는 SLQM 은 다른 비교 FR-IQA 척도들(광도 신호에 대한 왜곡만 고려한 경우 및 광도 및 색차 신호에 대한 왜곡을 모두 고려한 경우 모두)과 비교하여 평균 SROC, KROC 관점에서 가장 좋은 성능을 보였다. PSNR의 경우, 전체 SROC 및 KROC 관점에서 비교 FR-IQA 척도들 중 가장 낮은 성능을 보였다.
- 1%-포인트 낮은 성능을 보였다. 결론적으로, u와 v 영상 신호에 대해 식 (10)의 단순 MSE 가 아닌 식 (9)의 라플라스 연산자 기반 MSE를 적용할 경우 계산 복잡도는 크게 증가하지만 예측 성능은 오히려 감소하는 것으로 나타났다.
- 또한 제안 SLQM이 PAMSE 및 MoSSIM보다 더 높은 성능을 가지는 이유가 단순히 색차 신호를 고려했기 때문만은 아님을 명확히 보인다. 결론적으로, 제안 방법의 성능이 PAMSE, PAMSEc, MoSSIM, MoSSIMc 보다 높은 이유는 사람의 시각 체계에서 광도 신호 전달 매커니즘과 유사한 라플라스 커널을 본 논문에서 처음으로 도입했기 때문으로 사료된다.
- 그림 2는 PAMSE, MoSSIM, SLQM의 예측성능(전체 SROC) 및 처리속도(fps)를 보인다. 그림 2에서 보이듯이 제안 방법은 MoSSIM의 높은 예측 성능 및 PAMSE의 빠른 계산속도의 장점을 모두 가지고 있는 것을 알 수 있다.
- 이 때, 광학 신경다발에 전달되는 전기적 신호는 망막에 입력된 국부 영상신호의 광도 대비 차이 신호(인접 광도 신호 간 차분 신호)로 압축되어 전달된다[20]. 따라서 본 논문에서 사용하는 단순 라플라스 연산자를 기반으로 하는 FR-IQA 척도는 HVS의 영상 신호에 대한 시각 인지 반응에 대한 매커니즘을 효과적으로 반영할 수 있으며, 결과적으로 제안 SLQM가 높은 주관적 화질 예측 성능을 갖도록 한다.
- 이는 PAMSE가 LIVE 데이터베이스에 포함된 소수의 특정 왜곡 종류(가산 백색 가우시안 노이즈, 가우시안 블러 노이즈, JPEG 압축 노이즈 및 고속 페이딩 노이즈)에 대해서만 잘 동작하도록 설계되었기 때문이다[20]. 따라서 전체 SROC, KROC 측면에서 SLQM은 PAMSE 및 PSNR보다 약 12%~15% 포인트 더 향상된 성능을 보였다. MoSSIM과 비교한 경우, 제안 방법은 전체 SROC, KROC 관점에서 각각 5%-포인트, 7%-포인트 더 높은 성능을 보였다.
- 본 논문에서는 단순 라플라스 연산자를 이용한 새로운 고속 및 고성능 FR-IQA 척도를 제안했다. 본 논문에서 도입한 단순 라플라스 연산자는 연산이 매우 빠를 뿐만 아니라 HVS의 영상 신호 인지 특성을 반영하고 있기 때문에 제안 FR-IQA 척도에 효과적으로 적용되었다. 실험결과, 제안 SLQM은 비교된 좋은 수학적 특성을 가지는 최신 FR-IQA 척도들보다 더 높은 주관적 화질 예측 성능을 보이면서, 매우 빠른 연산 속도를 보였다.
- 그러나 표 5에서 보이듯이 PSNR과 PAMSE는 제안 방법보다 영상 화질 예측성능이 상당히 낮다. 비교 FR-IQA 척도들 중 제안 SLQM을 제외하고 가장 높은 주관적 화질 예측 성능을 보인 MoSSIM과 비교 시, SLQM은 1.8배 이상의 훨씬 빠른 연산 속도를 보인다.
- 색차 왜곡에 대한 특징을 포함한 FR-IQA 방법들과 그렇지 않은 FR-IQA 방법들 (광도 신호에 대한 왜곡 모델만 고려)에 대한 성능을 비교해 보면, 색차 신호 왜곡에 대한 식 (10) 의 특징을 도입한 PAMSEc 및 MoSSIMc는 그렇지 않은 원래 방법들(PAMSE, MoSSIM)보다 성능이 좀 더 향상되는 것을 표 4에서 확인 할 수 있다. 특히 PAMSEc의 경우 PAMSE보다 SROC 및 KROC관점에서 약 3.
- 편의상 이렇게 변형된 방법을 SLQMmod1 이라고 명명하였다. 실험 결과, 4개의 IQA 데이터셋(TID2013, TID2008, CSIQ, LIVE)에 대한 SLQMmod1의 전체 성능은 SROC = 0.8322, KROC = 0.6574, PLCC = 0.7146 으로 색상 채널에 대한 왜곡을 단순 MSE로 계산한 원래 SLQM보다 SROC, KROC, PLCC 관점에서 각각 2.8%-포인트, 3.2%-포인트 2.1%-포인트 낮은 성능을 보였다. 결론적으로, u와 v 영상 신호에 대해 식 (10)의 단순 MSE 가 아닌 식 (9)의 라플라스 연산자 기반 MSE를 적용할 경우 계산 복잡도는 크게 증가하지만 예측 성능은 오히려 감소하는 것으로 나타났다.
- 표 3은 Luv을 모두 사용한 식 (11)의 제안방법(SLQMLuv), 식 (9)만 사용한 SLQML, 식 (10)만 사용한 SLQMuv의 성능을 보인다. 실험 결과, 표 3에서 볼 수 있듯이 광도 신호(L)에 대한 Laplace 연산 기반 MSE가 색차신호 (u,v)의 MSE보다 훨씬 더 영상 화질 예측 성능에 큰 영향을 준다. 결과적으로 표 3을 통해 우리는 식 (9)의 광도 신호에 대한 왜곡 모델과 식 (10)의 색차 신호에 대한 왜곡 모델을 결합한 경우 SLQM의 성능이 가장 극대화 된다는 것을 확인할 수 있다.
- 본 논문에서 도입한 단순 라플라스 연산자는 연산이 매우 빠를 뿐만 아니라 HVS의 영상 신호 인지 특성을 반영하고 있기 때문에 제안 FR-IQA 척도에 효과적으로 적용되었다. 실험결과, 제안 SLQM은 비교된 좋은 수학적 특성을 가지는 최신 FR-IQA 척도들보다 더 높은 주관적 화질 예측 성능을 보이면서, 매우 빠른 연산 속도를 보였다. 결론적으로, 제안 방법은 효과적으로 영상 처리 및 컴퓨터 비전 분야의 영상 화질 최적화 문제에 목적함수로 사용될 수 있을 것으로 전망된다.
- 즉, SROC(Spearman Rank-Order Correlation coefficient), KROC(Kendall Rank-Order Correlation coefficients), PLCC(Pearson Linear Correlation coefficient) 및 RMSE(Root Mean Squared Error)을 사용하였다. 여기서 SROC, KROC, PLCC는 IQA 방법을 이용해 예측한 화질 값과 실제 측정한 주관적 화질 값 간의 상관도를 나타내는 것으로, 큰 값을 가질수록 해당 FR-IQA 방법이 더 좋은 성능을 가진다고 할 수 있다. 반면 RMSE(Root Mean Squared Error)의 경우 FR-IQA 방법으로 예측한 결과 값과 실제 측정한 주관적 화질 점수 간 평균 유클리디언 거리를 나타내는 것으로, 이 거리가 0에 가까울수록 FR-IQA 방법이 주관적 화질 점수를 더 정확하게 예측한다고 할 수 있다.
- 반면 MoSSIMc의 경우 약간의 성능 향상을 보였다. 이 실험 결과는 색차 신호에 대한 MSE를 사용한 식 (10)의 왜곡 모델이 광도신호만을 고려하는 FR-IQA 방법의 성능 향상을 위해 효과적으로 사용될 수 있다는 것을 의미한다. 또한 제안 SLQM이 PAMSE 및 MoSSIM보다 더 높은 성능을 가지는 이유가 단순히 색차 신호를 고려했기 때문만은 아님을 명확히 보인다.
- 표 5는 테스트 FR-IQA 척도에 대한 평균 연산속도(fps)를 보인다. 제안하는 SLQM은 PSNR을 제외하면 3개의 FR-IQA 척도들 중 가장 빠른 연산 속도를 가진다. PAMSE의 연산속도는 제안 SLQM보다 약간 느리지만, MoSSIM 보다는 훨씬 빠른 연산 속도(약 1.
- 우리는 이에 대한 분석을 위해 IQA영상 데이터 셋을 정밀히 조사하였다. 조사 결과, 색차 왜곡을 포함하는 영상의 경우 피 실험자들은 색차 신호의 구조적 왜곡(예를 들어 Bayes 패턴과 유사한 왜곡 등)보다는 색차 값 자체가 바뀐 경우(예를 들어 색 포화 왜곡 등)에 대해 상대적으로 왜곡을 크게 인지(낮은 주관적 화질 점수값을 책정)한 것을 확인하였다. 이는 색차 신호의 왜곡을 모델링하기 위해서는 색차 신호의 구조적 정보를 사용하기 보다는 색차 신호 값 자체의 차이를 비교하는 것이 더 효과적일 수 있음을 의미한다.
- 색차 왜곡에 대한 특징을 포함한 FR-IQA 방법들과 그렇지 않은 FR-IQA 방법들 (광도 신호에 대한 왜곡 모델만 고려)에 대한 성능을 비교해 보면, 색차 신호 왜곡에 대한 식 (10) 의 특징을 도입한 PAMSEc 및 MoSSIMc는 그렇지 않은 원래 방법들(PAMSE, MoSSIM)보다 성능이 좀 더 향상되는 것을 표 4에서 확인 할 수 있다. 특히 PAMSEc의 경우 PAMSE보다 SROC 및 KROC관점에서 약 3.3%-포인트, 2.3%-포인트 성능이 향상되었다. 반면 MoSSIMc의 경우 약간의 성능 향상을 보였다.
후속연구
- 실험결과, 제안 SLQM은 비교된 좋은 수학적 특성을 가지는 최신 FR-IQA 척도들보다 더 높은 주관적 화질 예측 성능을 보이면서, 매우 빠른 연산 속도를 보였다. 결론적으로, 제안 방법은 효과적으로 영상 처리 및 컴퓨터 비전 분야의 영상 화질 최적화 문제에 목적함수로 사용될 수 있을 것으로 전망된다.
- 따라서 본 논문에서 제안하는 SLQM는 Luv 색 공간에서 계산되도록 설정하였다. 색 공간과 IQA방법의 화질점수 예측력 간 상관관계에 대한 보다 근본적인 이유에 대한 연구는 아직 기존 어떤 논문에서도 언급되지 않았으며, 이에 대해서는 향후 확장 연구를 통해 밝혀낼 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.