arXiv 2409.077622024-12-05cs.CVcs.LG

探索用于真实图像清晰度评估的 Kolmogorov-Arnold 网络

Exploring Kolmogorov-Arnold networks for realistic image sharpness assessment

School of Information and Communication Engineering（信息与通信工程学院）；Communication University of China（中国传媒大学）；Beijing Normal University（北京师范大学）

Shaode Yu, Ze Chen, Zhimu Yang, Jiacheng Gu, Bizu Feng

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

该研究提出 TaylorKAN，并在四个真实图像数据库上结合中、高层特征评估多种 KAN 的清晰度分数预测性能，发现其相较支持向量回归具有竞争力且 TaylorKAN 在中层特征下最佳。

摘要：

分数预测对于基于所收集的信息性特征评估真实图像清晰度至关重要。近年来，Kolmogorov-Arnold 网络（KAN）得到发展，并在数据拟合方面取得显著成功。本研究提出了基于 Taylor 级数的 KAN（TaylorKAN）。随后，在四个真实图像数据库（BID2011、CID2013、CLIVE 和 KonIQ-10k）上探索不同的 KAN，利用15个中层特征和2048个高层特征预测分数。与支持向量回归相比，结果表明 KAN 总体上具有竞争力或更优，并且在使用中层特征时 TaylorKAN 表现最佳。这是首个在图像质量评估中研究 KAN 的工作，为相关任务中如何选择和进一步改进 KAN 提供了启示。

英文摘要：

Score prediction is crucial in evaluating realistic image sharpness based on collected informative features. Recently, Kolmogorov-Arnold networks (KANs) have been developed and witnessed remarkable success in data fitting. This study introduces the Taylor series-based KAN (TaylorKAN). Then, different KANs are explored in four realistic image databases (BID2011, CID2013, CLIVE, and KonIQ-10k) to predict the scores by using 15 mid-level features and 2048 high-level features. Compared to support vector regression, results show that KANs are generally competitive or superior, and TaylorKAN is the best one when mid-level features are used. This is the first study to investigate KANs on image quality assessment that sheds some light on how to select and further improve KANs in related tasks.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。