Resumen

El aprendizaje de una representación de estructura profunda para redes de información complejas es un área de investigación vital, y evaluar la calidad de imágenes o videos estereoscópicos es desafiante debido a los complejos factores de calidad 3D. En este documento, exploramos cómo extraer características efectivas para mejorar la precisión de la predicción de calidad perceptual. Inspirados en la representación de la estructura del sistema visual humano y la técnica de aprendizaje automático, proponemos un esquema de evaluación de calidad sin referencia para imágenes estereoscópicas. Específicamente, se extraen las características estadísticas de la magnitud del gradiente y las respuestas de Laplaciano de Gauss para formar características predictivas de calidad binocular. Después de la extracción de características, estas características de la imagen estereoscópica distorsionada y su puntuación perceptual humana se utilizan para construir un modelo de regresión estadística con la técnica de aprendizaje automático. Los resultados experimentales en las bases de datos de referencia muestran que el modelo propuesto genera una predicción de

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Representación de estructura profunda; Imágenes estereoscópicas; Precisión de predicción; Evaluación de calidad perceptual; Técnica de aprendizaje automático; Características estadísticas
• Keywords:Deep structure representation; Stereoscopic images; Prediction accuracy; Perceptual quality assessment; Machine learning technique; Statistical features