几何感知分类层

无需人工评分训练

通过将特征幅值与可识别性作为对偶任务联合优化，让特征幅值直接充当可解释的质量分数，且在多种网络架构和视觉表示下均通用。

杨岚 · Pang, Kaiyue · 张洪刚 · Yi-Zhe, Song

International Journal of Computer Vision 2024

参数信息

人工研究试验次数

160,000

技术优势

无需人工标注

通过特征幅值与可识别性的对偶优化，在标准分类损失下即可同时学习质量度量，完全摆脱对人工质量标注的依赖。

与人类感知一致

大规模用户研究（160,000次试验）证实了GACL诱导的度量与人类质量感知的一致性。

架构无关

对网络架构变化和底层草图表示均不敏感，可即插即用于常用分类网络。

应用场景

• 智能绘图工具：实时评价草图质量，帮助用户改进绘画或自动筛选作品。
• 数据质量清洗：作为数据重加权策略，自动降低低质量或噪声样本的影响。
• 草图检索：按草图质量排序检索结果，优先返回高质量草图。
• 生成模型质量评估：用质量分数评估生成草图或图像的逼真度与可识别性。
• 图像质量评估：无需质量标注即可对自然图像进行质量评分，替代传统IQA方法。