Bridging the Gap Between Saliency Prediction and Image Quality Assessment

在过去的几年中，深度神经模型在图像质量评估（IQA）方面取得了相当大的进展。然而，由于深度神经网络的复杂性质，它们成功的根本原因仍不清楚。IQA的目标是描述人类视觉系统（HVS）的工作原理，并创建其有效的近似。另一方面，显著性预测任务旨在通过确定视觉兴趣区域来模拟HVS。因此，我们认为显著性在人类感知中起着至关重要的作用。在这项工作中，我们进行了一项实证研究，揭示了IQA和显著性预测任务之间的关系，证明前者包含了后者的知识。此外，我们引入了一个新的SACID数据集，其中包含显著性感知压缩图像，并对经典和基于神经网络的IQA方法进行了大规模比较。所有补充代码和数据将在发表时提供。

本文旨在揭示深度神经网络在图像质量评估(IQA)中的成功原因，并探讨IQA与显著性预测任务之间的关系。

本文通过实验证明了IQA与显著性预测任务之间存在关联，并提出了一种新的基于显著性的压缩图像数据集(SACID)，并对经典和神经网络IQ方法进行了大规模比较。

本文提出了一种新的SACID数据集，实验设计详细，使用了经典和神经网络IQ方法进行比较，并提供了代码和数据集。研究表明IQA与显著性预测任务之间存在关联，这一发现可以为人们更好地理解IQA提供帮助。

近年来，深度神经网络在图像质量评估(IQA)和显著性预测任务等领域取得了不少进展。相关研究包括：《Deep Learning for Image Quality Assessment: A Survey》、《Salient Object Detection: A Survey》等。