现有的客观图像质量评价方法用于GAN生成图像质量评价时,往往出现与人的主观评价不一致的情况.针对这个问题,提出了一种更符合人类视觉感知的GAN生成图像质量客观评价方法AJ-GIQA(attention and just noticeable difference based generated image quality assessment).首先,模拟人类视觉系统的失真敏感度特性,对GAN生成图像进行预处理,得到其最小可觉差图;然后,将注意力模块引入特征提取网络,模拟人类视觉系统的注意力机制,获取图像的显著性特征;最后,将图像特征输入结合语义信息的质量预测网络,基于图像内容综合评价GAN生成图像的质量.在GAN生成图像数据集上的实验结果表明,AJ-GIQA的评价结果与主观平均意见得分有更高的一致性;在图像质量排序一致性上的实验结果表明,AJ-GIQA的准确率在LGIQA-LSUN-cat数据集上达到了最优,和SFA方法相比性能提高了0.267;在泛化性能上的实验结果表明,与最先进的HyperIQA方法相比,AJ-GIQA在数据集PIPAL的Pearson线性相关系数提高了0.027.
最小可觉差是人眼视觉重要特性之一,随着计算机显示器的普及,显示器环境下的亮度最小可觉差对图像细节有重要的应用价值。利用10bit图像显示卡和液晶显示器方便、精确控制亮度刺激,在显示器显示亮度范围内产生27个不同亮度背景,采样心理物理学亮度视觉匹配实验测得亮度最小可觉差。实验结果表明,在背景亮度为11.89~142.3cd/m^2中等亮度下人眼最小可觉差与背景亮度的比值约为0.017,并遵守韦伯定律;在背景亮度为0.38~9.36cd/m^2的弱亮度情况下,人眼最小可觉差与背景亮度的比值随亮度的增加呈单调递减趋势。在显示器上测量的中等亮度下人眼亮度最小可觉差与Koenig and Brodhun采用传统光学方法得到的实验结果基本一致。
