IISA-DB

IISA-DB数据集是由索尼AI和佛罗伦萨大学等机构创建的，包含785对图像和其内在尺度（IIS）的标注。该数据集通过专家在严格控制的众包研究中对图像进行标注得到，旨在评估图像在不同尺度下的感知质量，并找到图像展示最高感知质量的最大尺度。数据集可应用于图像显示和存储优化，提高质量测量灵敏度，以及创建更好的低级视觉数据集等方面。The IISA-DB dataset was created by Sony AI, the University of Florence and other institutions, containing 785 pairs of images and their intrinsic scale (IIS) annotations. This dataset is generated via expert annotation of images in strictly controlled crowdsourcing studies, aiming to evaluate the perceived quality of images across different scales and identify the maximum scale at which images exhibit the highest perceived quality. The dataset can be applied to image display and storage optimization, improving the sensitivity of quality measurement, and creating better low-level vision datasets, among others.

搜集汇总

数据集介绍

构建方式

IISA-DB数据集的构建始于对现实世界图像质量评估的深入理解，特别是图像的内在尺度如何影响其感知质量。研究人员开发了一种主观标注方法，通过严格控制的众包研究，由图像质量专家对785对图像-内在尺度进行了标注。参与者使用专门设计的用户界面，通过滑动条直观地将原始图像缩放到其内在尺度。每位标注者对每张图像进行两次标注，以确保自我一致性。标注结果通过计算每位参与者提供的个体主观意见的算术平均值，即平均意见内在尺度（MOIS），来获得。为了验证标注的可靠性，研究人员将IISA-DB数据集与现有的无参考图像质量评估（NR-IQA）数据集进行了比较，结果表明其具有可比的可靠性。

使用方法

使用IISA-DB数据集的方法涉及两个主要方面：主观测量和预测。在主观测量方面，数据集用于训练模型，使其能够根据人类判断来预测图像的内在尺度。在预测方面，数据集用于评估无参考图像质量评估（NR-IQA）模型的性能。此外，WIISA策略可以应用于任何IISA模型，以增强其训练过程。为了使用数据集，首先需要将数据集分成训练集、验证集和测试集，然后可以使用监督学习或弱监督学习的方法来训练模型。在评估模型性能时，可以使用Spearman等级相关系数（SRCC）、Pearson线性相关系数（PLCC）、均方根误差（RMSE）和平均绝对误差（MAE）等指标。

背景与挑战

背景概述

IISA-DB数据集是在图像质量评估（IQA）领域中的一项创新成果，由索尼AI、佛罗伦萨大学和康斯坦茨大学的研究人员共同创建。该数据集旨在填补图像质量与分辨率之间关系的量化研究空白。研究人员提出了图像内在尺度（IIS）的概念，即图像在最大尺度下展现最高感知质量的尺度。为了实现这一目标，他们创建了IISA-DB数据集，包含785对由专家主观标注的图像-IIS对，这些标注是在严格控制的众包研究中收集的。该数据集的创建不仅为图像质量评估领域提供了宝贵的资源，而且为图像显示和存储优化、质量测量敏感度提升以及低层视觉数据集创建等方面提供了重要支持。

当前挑战

尽管IISA-DB数据集在图像质量评估领域具有重要意义，但其也面临着一些挑战。首先，IISA任务需要主观测量和预测IIS，这与传统的图像质量评估方法有所不同，需要特定的训练策略和模型特性。其次，构建过程中遇到了如何确保标注的一致性和可靠性的挑战，研究人员通过开发专用的用户界面和严格的众包研究流程来解决这个问题。此外，IISA-DB数据集的创建还面临着如何将IIS的概念与现有的图像质量评估方法相结合的挑战，研究人员提出了WIISA（图像内在尺度评估的弱标注）策略来解决这个问题。

常用场景

经典使用场景

IISA-DB 数据集主要用于图像质量评估，特别是评估图像在不同缩放比例下的感知质量。该数据集包含了 785 个图像-内在尺度对，这些图像的内在尺度是通过专家的主观判断确定的。通过使用 IISA-DB，研究人员可以训练模型来预测图像的内在尺度，从而优化图像的显示和存储，提高图像质量评估的灵敏度，并支持创建更好的低级视觉数据集。

解决学术问题

IISA-DB 数据集解决了图像质量评估中一个长期被忽视的问题：图像的缩放比例对其感知质量的影响。传统的图像质量评估方法通常在固定分辨率下进行，而 IISA-DB 数据集则提供了在不同缩放比例下图像质量的主观评估，从而为研究图像质量与缩放比例之间的关系提供了数据基础。此外，该数据集还提出了 WIISA 策略，可以生成弱标签，从而提高图像内在尺度预测模型的性能。

实际应用

IISA-DB 数据集在实际应用中具有广泛的应用前景。例如，在图像显示和存储方面，通过使用 IISA-DB 数据集训练的模型，可以确定图像的最佳显示尺寸和存储分辨率，从而优化图像的显示效果和存储空间。此外，该数据集还可以用于提高图像质量评估的灵敏度，从而更准确地检测图像中的细微质量退化。最后，IISA-DB 数据集还可以用于创建更好的低级视觉数据集，从而提高计算机视觉模型的性能。

数据集最近研究

最新研究方向

IISA-DB 数据集的提出标志着图像质量评估领域对图像内在尺度（IIS）概念的深入研究。该数据集通过专家主观标注的方式，为图像内在尺度的评估提供了可靠的基准。IISA-DB 的研究重点在于探索图像在不同尺度下的感知质量变化，并通过弱标签策略 WIISA 提升了无参考图像质量评估（NR-IQA）模型的性能。这一研究对于图像显示、存储优化、以及图像质量敏感度提升等方面具有重要意义，为未来图像质量评估技术的发展提供了新的视角和可能性。

相关研究论文

• Image Intrinsic Scale Assessment: Bridging the Gap Between Quality and Resolution

  索尼AI · 2025年