ИСТИНА

В докладе рассматривается задача детектирования артефактов нейросетевого суперразрешения изображений с учётом их субъективной заметности. Предлагается единая методология субъективной разметки артефактов на основе краудсорсинга с контролем качества, включающая подготовку данных, постобработку масок для упрощения восприятия асессорами и агрегирование оценок заметности. На её основе формируется набор данных из 1302 артефактов, сгенерированных 11 современными моделями SR, а также выполняется разметка заметности для 593 изображений из существующего набора DeSRA, показывающая, что большинство артефактов в нём слабо заметны человеку. Далее предлагается метод детектирования артефактов, предсказывающий их заметность и использующий легковесные модели SR в качестве псевдоэталона для полноэталонных методов оценки качества в условиях отсутствия истинного HR-изображения. Проводится сравнение с 10 существующими методами на двух наборах артефактов SR, демонстрирующее преимущество предлагаемого подхода, а также его практическую полезность для дообучения моделей суперразрешения на снижение перцептивно значимых артефактов.