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.
제안 방법
- 제안하는 픽셀 강도 영역의 LA 효과 모델(또는 LA 효과에 대한 JND 모델)의 성능을 검증하기 위해, 제안하는 LA 효과 모델을 PSNR 에 결합하였다. 결합 방법은 PSNR 을 계산할 때 각 픽셀의 배경 평균 밝기값에 따라, 더욱 민감한 배경 밝기 값을 가지는 픽셀에 대해 더욱 높은 가중치를 주는 방식으로 결합하였다. 여기서 가중치는 (9)로부터 계산한 JND 값의 역수와 비례하는 값을 사용하였다.
- 여기서 가중치는 (9)로부터 계산한 JND 값의 역수와 비례하는 값을 사용하였다. 또한 성능 비교를 위해 PSNR 뿐만 아니라 (1)의 베버의 법칙 모델을 사용한 PSNR 도 실험에 도입하였고, 여기서 마찬가지로 W-PSNR 을 계산하기 위해 각 픽셀의 배경 평균 밝기값에 따른 민감도를 (1)로부터 계산해서 더욱 민감한 배경 밝기 값을 가지는 픽셀에 대해 더욱 높은 가중치를 주는 방식으로 결합하였다. 실험에서 사용한 TID2008 데이터베이스는 25 개의 참조 영상에 대해 17 종류의 다른 왜곡특성을 가지는 총 1700 개의 왜곡된 영상을 포함하고 있다 [8].
- 본 논문에서는 Frese 의 제곱 법칙 모델[13]과 감마 교정 함수를 이용해서 근사화된 픽셀 강도 영역의 LA 효과 모델을 유도한다. 제곱 법칙 모델은 아래와 같이 표현된다.
- 본 논문에서는 최초로 기존 베버의 법칙 모델에 기반한 LA 효과 모델이 픽셀 강도 영역에서 부정확하게 동작하는 이유를 분석하고, 이 분석을 기반으로 새로운 픽셀 강도 기반 LA 효과 모델을 감마 교정 함수와 제곱-법칙 모델로부터 유도하였다. 유도한 픽셀 강도 기반 LA 효과 모델을 PSNR 에 결합하여 광범위한 실험을 수행하였다.
- 본 논문에서는 최초로 기존 베버의 법칙 모델에 기반한 LA 효과 모델이 픽셀 강도 영역에서 부정확하게 동작하는 이유를 분석하고, 이 분석을 기반으로 새로운 픽셀 강도 기반 LA 효과 모델을 감마 교정 함수와 제곱-법칙 모델로부터 유도하였다. 유도한 픽셀 강도 기반 LA 효과 모델을 PSNR 에 결합하여 광범위한 실험을 수행하였다. 실험 결과, 제안하는 LA 효과 모델이 결합된 PSNR 이 기존 PSNR 및 베버의 법칙 모델 기반 PSNR 보다 더 높은 주관적 화질 점수 예측력을 보였다.
- 제안하는 픽셀 강도 영역의 LA 효과 모델(또는 LA 효과에 대한 JND 모델)의 성능을 검증하기 위해, 제안하는 LA 효과 모델을 PSNR 에 결합하였다. 결합 방법은 PSNR 을 계산할 때 각 픽셀의 배경 평균 밝기값에 따라, 더욱 민감한 배경 밝기 값을 가지는 픽셀에 대해 더욱 높은 가중치를 주는 방식으로 결합하였다.
대상 데이터
- 또한 성능 비교를 위해 PSNR 뿐만 아니라 (1)의 베버의 법칙 모델을 사용한 PSNR 도 실험에 도입하였고, 여기서 마찬가지로 W-PSNR 을 계산하기 위해 각 픽셀의 배경 평균 밝기값에 따른 민감도를 (1)로부터 계산해서 더욱 민감한 배경 밝기 값을 가지는 픽셀에 대해 더욱 높은 가중치를 주는 방식으로 결합하였다. 실험에서 사용한 TID2008 데이터베이스는 25 개의 참조 영상에 대해 17 종류의 다른 왜곡특성을 가지는 총 1700 개의 왜곡된 영상을 포함하고 있다 [8]. 성능 검증을 위해, 본 논문에서는 4 개의 성능 지표를 도입하였다: Spearman Rank-Order Correlation coefficient (SROC).
데이터처리
- 성능 검증을 위해, 본 논문에서는 4 개의 성능 지표를 도입하였다: Spearman Rank-Order Correlation coefficient (SROC). Kendall RankOrder Correlation coefficients (KROC), Pearson Linear Correlation coefficient (PLCC), Root Mean Squared Error (RMSE). 우리는 계산된 IQA 방법과 실제 측정한 주관적 화질 점수(MOS: mean opinion score)를 매핑시키기 위해 로지스틱 회귀법을 사용하였다 [14].
- 표 1. TID2008 상에서의 W-PSNR, PSNR 과 제안하는 LA-PSNR 간 성능 비교.
- 실험에서 사용한 TID2008 데이터베이스는 25 개의 참조 영상에 대해 17 종류의 다른 왜곡특성을 가지는 총 1700 개의 왜곡된 영상을 포함하고 있다 [8]. 성능 검증을 위해, 본 논문에서는 4 개의 성능 지표를 도입하였다: Spearman Rank-Order Correlation coefficient (SROC). Kendall RankOrder Correlation coefficients (KROC), Pearson Linear Correlation coefficient (PLCC), Root Mean Squared Error (RMSE).
이론/모형
- Kendall RankOrder Correlation coefficients (KROC), Pearson Linear Correlation coefficient (PLCC), Root Mean Squared Error (RMSE). 우리는 계산된 IQA 방법과 실제 측정한 주관적 화질 점수(MOS: mean opinion score)를 매핑시키기 위해 로지스틱 회귀법을 사용하였다 [14]. 표 1 은 베버의 법칙모델에 기반한 PSNR(W-PSNR), PSNR, 제안하는 픽셀 강도의 LA 효과 모델이 결합된 PSNR(LA-PSNR)에 대한 TID2008 에서의 전체 성능을 보인다.
- |i=1 ,…, 4} 는 모델 파라미터의 세트이다. 우리는 유도한 픽셀 강도 영역의 LA 효과에 대한 JND 모델 (5)의 모델 파라미터를 결정하기 위해 Chou 의 실험 결과를 사용하였다[12]. 최소자승오차 해법 방식으로 찾은 (5)의 모델 파라미터는 a1= – 2.
- 이 중 많은 방법들이 배경 밝기에 대한 인지 왜곡 민감도 변화 특성을 반영하기 위해 베버의 법칙(Weber’ s law)을 따르는 광적응(Luminance Adaptation; LA) 효과 모델을 도입하였다[5]-[8].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.