Vision-Language Modelによる局所構造を考慮したFew-shot画像品質評価モデル

概要

画像品質評価はコンピュータビジョンの基本的な問題であり，近年では深層学習を用いた手法が大きな成果を挙げている。
一方で，学習時と異なるドメインや劣化タイプにおいて性能が低下するという課題が存在する。
さらに，実応用において各ドメインごとに大規模な学習データを収集することは困難である。
本論文では，vision-language modelの優れた汎化性能に着目し，数枚から数十枚程度の限られたデータから学習可能なfew-shot IQAを提案する。