arXiv:2609.27959v1 eess.IV

전참조 및 무참조 영상 품질 평가를 위한 보완적 구조 표현으로서의 지역 SVD-엔트로피 맵

Local SVD-Entropy Maps as a Complementary Structural Representation for Full-Reference and No-Reference Image Quality Assessment

Andrei Velichko, Petr Boriskov

제출 2026-09-24

한국어 초록

우리는 2차원 영상 패치에서 직접 계산한 특이값의 섀넌 엔트로피에 기반한, 지각적 영상 품질 평가(IQA)를 위한 지역 스펙트럴 복잡도 표현을 연구한다. 각 $3\times3$ 픽셀 그레이스케일 패치에 대해 SVD를 직접 적용하고, 정규화된 특이값 엔트로피가 HSVD-맵 값 하나를 정의한다. 이 구성은 평탄화(flattening)나 지연 임베딩(delay embedding)을 필요로 하지 않으며, 경계 패딩(boundary padding)을 사용하지 않고, 지역 서술자 수준에서 $90^{\circ}$ 회전 및 거울 반사에 불변이다. Lena에 대한 중첩 salt-and-pepper 실험은 깨끗한 참조 영상에 대한 절대 유사도와 추가 열화 단계에 대한 민감도를 분리한다. HSVD-SSIM은 지역 손상에 더 강하게 반응하며, 심한 노이즈 수준에서 더 큰 이웃 상태(neighboring-state) 응답을 유지한다. 왜곡된 KADID-10k 영상 10,125장 전체에 대한 검증 결과, HSVD-SSIM은 단독 전참조(full-reference) 지표로는 기존 SSIM보다 약하다(SRCC $0.450$ vs. $0.619$), 그러나 결합하면 보완적이다: 그룹 교차 검증(grouped cross-validation)에서 SRCC가 $0.618$에서 $0.659$로 증가하며, 증가분에 대한 부트스트랩 95\% 신뢰구간은 $[0.036,0.046]$이다. 무참조(no-reference) 실험에서 HSVD 기반 단일 영상 서술자를 추가하면 최상의 비선형 모델의 SRCC가 $0.528$에서 $0.575$로 개선되고(95\% CI $[0.033,0.061]$), 이웃 왜곡 상태 간 품질 변화 예측도 개선된다. 이 결과는 직접적인 지역 SVD 엔트로피가 해석 가능한 구조 채널로서 기존 영상 도메인 유사도를 보완하고, 무손상 참조 없이도 유익한 정보를 제공함을 뒷받침한다.

원문 초록

We investigate a local spectral-complexity representation for perceptual image quality assessment (IQA) based on Shannon entropy of singular values computed directly from two-dimensional image patches. For each $3\times3$-pixel grayscale patch, SVD is applied directly and the normalized singular-value entropy defines one HSVD-map value. The construction requires neither flattening nor delay embedding, uses no boundary padding, and is invariant to $90^{\circ}$ rotations and mirror reflections at the local-descriptor level. A nested salt-and-pepper experiment on Lena separates absolute similarity to a clean reference from sensitivity to an additional degradation step. HSVD-SSIM responds more strongly to local corruption and retains a larger neighboring-state response at severe noise levels. Validation on all 10,125 distorted KADID-10k images shows that HSVD-SSIM is weaker than conventional SSIM as a standalone full-reference metric (SRCC $0.450$ vs. $0.619$), but complementary when combined with it: grouped cross-validation increases SRCC from $0.618$ to $0.659$, with a bootstrap 95\% confidence interval of $[0.036,0.046]$ for the gain. In a no-reference experiment, adding HSVD-derived single-image descriptors improves the best nonlinear model from SRCC $0.528$ to $0.575$ (95\% CI $[0.033,0.061]$) and also improves prediction of quality changes between neighboring distortion states. These results support direct local SVD entropy as an interpretable structural channel that complements conventional image-domain similarity and remains informative without a pristine reference.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.27959v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2601.21738v2cs.CV공통 태그 SSIM, Image Quality Assessment

전역에서 세분화로: 상관 표면을 통한 IQA 모델 성능 규명

From Global to Granular: Revealing IQA Model Performance via Correlation Surface

이미지 품질 평가(IQA) 모델의 평가는 피어슨 선형 상관 계수(PLCC)와 스피어만 순위 상관 계수(SRCC)와 같은 전역 상관 지표가 오랫동안 지배적으로 사용되어 왔다. 이러한 지표들은 널리 채택되고 있지만, 성능을 단일 스칼라 값으로 축약하여 순위 일관성이 지역적 품질 스펙트럼에 따라 어떻게 변화하는지를 포착하지 못한다. 예를 들어, 두 IQA 모델이 동일한 SRCC 값을 달성하더라도, 한 모델은 고품질 이미지(높은 평균 의견 점수(MOS)와 관련)의 순위를 더 신뢰성 있게 매기는 반면, 다른 모델은 작은 품질/MOS 차이를 가지는 이미지 쌍(|ΔMOS|와 관련)을 더 잘 구별할 수 있다. 이러한 상호 보완적인 특성은 전역 지표로는 드러나지 않는다. 더욱이, SRCC와 PLCC는 테스트 샘플의 품질 분포에 민감하여 테스트 세트 간 비교가 불안정해진다. 이러한 한계를 해결하기 위해, 본 논문은 IQA 성능에 대한 구조화된 세밀한 분석을 제공하는 세분화 변조 상관(GMC, Granularity-Modulated Correlation)을 제안한다. GMC는 다음을 포함한다: (1) 절대 MOS 값과 쌍별 MOS 차이(|ΔMOS|)를 조건으로 가우시안 가중 상관을 적용하여 지역적 성능 변화를 조사하는 세분화 조정기(Granularity Modulator), (2) 비균일 품질 분포로 인한 편향을 완화하기 위해 상관을 정규화하는 분포 조정기(Distribution Regulator). 결과로 얻어지는 상관 표면(correlation surface)은 MOS와 |ΔMOS|의 결합 함수로서 상관 값을 매핑하여 IQA 성능의 3D 표현을 제공한다. 표준 벤치마크에서의 실험을 통해 GMC는 스칼라 지표로는 보이지 않는 성능 특성을 드러내며, IQA 모델의 분석, 비교 및 배포를 위한 보다 풍부한 정보와 신뢰성을 갖춘 패러다임을 제공함을 보인다. 코드는 https://github.com/Dniaaa/GMC 에서 확인할 수 있다.

arXiv:2607.03494v1cs.CV공통 태그 SSIM, Image Quality Assessment

표준화된 라이트 필드 화질 평가를 향하여: 하이브리드 주관적 벤치마킹 및 객관적 메트릭 평가

Towards Standardized Light Field Quality Assessment: Hybrid Subjective Benchmarking and Objective Metric Evaluation

몰입형 미디어 코딩 솔루션의 벤치마킹, 특히 표준화 맥락에서는 신뢰할 수 있고 재현 가능한 주관적 화질 평가(QA) 절차와 함께 다양한 왜곡 유형에 걸쳐 정확성을 유지하는 객관적 화질 메트릭이 필요하다. 본 논문은 JPEG Pleno 표준화 활동의 맥락에서 개발 및 배포된 라이트 필드 QA를 위한 표준화된 워크플로우를 제시하며, 이는 벤치마크 생성, 하이브리드 주관적 평가, 객관적 메트릭 분석을 공통 워크플로우로 통합한다. 해당 벤치마크는 전통적인 코딩 전용 아티팩트뿐만 아니라 라이트 필드 인코딩이 뷰 합성 및 재구성 기법과 함께 수반되는 처리 파이프라인에서 발생하는 왜곡도 포괄하도록 설계되었다. 참조 기준 화질 평가와 지각적으로 모호한 영역에서의 목표 지향적 쌍별 정제를 결합함으로써 세밀한 평가를 가능하게 하는 하이브리드 주관적 방법이 제안된다. 주관적 점수의 신뢰성은 두 집단 관찰자 간의 통계적 일관성 분석을 통해 검증된다. 마지막으로, 대규모 객관적 메트릭 집합이 전역 예측 정확도, 모호한 화질 영역에서의 국소적 일치도, 왜곡 유형별 강건성 측면에서 체계적으로 평가된다. 결과에 따르면 여러 메트릭이 코딩 전용 자극에 대해 높은 일치도를 달성하지만, 뷰 합성 왜곡이 포함될 경우 성능이 일관되게 저하된다. 해당 분석은 또한 향후 라이트 필드 화질 메트릭 설계에서 뷰 풀링(pooling) 전략의 중요성을 강조한다. 본 연구는 세밀한 라이트 필드 QA를 위한 재현 가능하고 표준화 준비가 된 프레임워크를 제공하는 동시에, 새로운 코딩 파이프라인 하에서 현재 객관적 메트릭의 핵심 한계를 식별한다. 주관적으로 주석이 달린 데이터셋은 https://plenodb.jpeg.org/lfqa/objectivecfp 에서 공개적으로 이용 가능하다.

arXiv:2506.11641v2math.NA공통 태그 singular value decomposition공식 코드 · Papers with Code

에카르트-영-슈미트 관점에서 본 심층 대칭 오토인코더

Deep Symmetric Autoencoders from the Eckart-Young-Schmidt Perspective

심층 오토인코더(deep autoencoder)는 차원 축소와 편미분 방정식의 차수 축소 모델링부터 이상치 탐지 및 신경망 기계 번역에 이르기까지 다양한 머신러닝 응용 분야에서 핵심적인 도구로 자리 잡았습니다. 이러한 실증적 성공에도 불구하고, 특히 고전적인 사영 기반 기법들과 비교했을 때 이들의 표현력에 대한 확고한 이론적 기반은 여전히 부족한 실정입니다. 본 연구에서는 최근 문헌에서 자주 등장하고 있는 광범위한 심층 학습(deep learning) 아키텍처 군인 대칭 오토인코더(symmetric autoencoder)에 대한 종합적인 분석을 제시하여 이러한 방향으로 한 걸음 나아가는 것을 목표로 합니다. 구체적으로, 서로 다른 대칭 아키텍처 군 간의 형식적 구분을 도입하고 수학적 관점에서 이들의 장점과 한계를 분석합니다. 예를 들어, 정규직교성(orthonormality) 제약 조건을 가진 대칭 오토인코더의 재구성 오차는 널리 알려진 에카르트-영-슈미트(EYS) 정리를 활용하여 이해할 수 있음을 보입니다. 또한 분석의 부산물로서, 특잇값 분해(SVD)의 반복 적용에 기반한 대칭 오토인코더용 EYS 초기화(initialization) 전략을 개발합니다. 연구 결과를 검증하기 위해 기존의 심층 오토인코더를 대상으로 제안 기법을 벤치마크하는 일련의 수치 실험을 수행하고, 모델(model) 설계 및 초기화의 중요성을 논의합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.