PIQ23|人像图像质量数据集|图像评估数据集

PIQ23是一个专门针对人像的图像质量评估数据集，包含5116张来自50个预定义场景的图像，这些图像由100种不同品牌和型号的智能手机拍摄。数据集涵盖了广泛的用途，并包括了不同性别和种族的个人，他们都明确且知情地同意将其照片用于公开研究。数据集通过成对比较（PWC）由30多位图像质量专家对三个图像属性进行标注：面部细节保留、面部目标曝光和整体图像质量。

原始信息汇总

PIQ23: An Image Quality Assessment Dataset for Portraits

数据集概述

• 名称：PIQ23
• 类型：人像特定图像质量评估数据集
• 图像数量：5116张
• 设备：超过100种智能手机
• 场景：预定义的多种场景
• 参与者：来自不同年龄、性别和种族的个体
• 许可：明确且知情的同意用于公共研究
• 标注：由30多名图像质量专家进行的成对比较（PWC）
• 属性：面部细节保留、面部目标曝光、整体图像质量

数据集结构

├── Details ├── Overall ├── Exposure ├── Scores_Details.csv ├── Scores_Overall.csv └── Scores_Exposure.csv

• 文件命名：{img_nb}_{scene_name}_{scene_idx}.{ext}
• CSV文件条目：
  • IMAGE PATH：图像的相对路径
  • IMAGE：图像名称
  • JOD：图像的jod分数
  • JOD STD：jod标准差
  • CI LOW：置信区间的下限
  • CI HIGH：置信区间的上限
  • CI RANGE：CI HIGH - CI LOW
  • QUALITY LEVEL：初步质量等级
  • CLUSTER：最终质量等级
  • TOTAL COMPARISONS：该图像的总比较次数
  • SCENE：场景名称
  • ATTRIBUTE：属性（Exposure, Details 或 Overall）
  • SCENE IDX：场景索引（从0到49）
  • CONDITION：光照条件（Outdoor, Indoor, Lowlight 或 Night）

测试分割

• 设备分割：
  • 测试集包含每个场景约30%的图像
  • 避免设备偏差，选择不同质量水平和价格范围的设备
  • 设备分割CSV文件位于 "Test splitDevice Split.csv"
  • 不同属性的测试和训练CSV文件位于 "Test splitDevice Split"
• 场景分割：
  • 选择15/50个场景进行测试，覆盖每种条件约30%的图像
  • 场景分割CSV文件位于 "Test splitScene Split.csv"
  • 不同属性的测试和训练CSV文件位于 "Test splitScene Split"
  • 场景示例位于 "Test splitScene SplitScene examples"

基准测试

• 实验说明：
  • 结果代表所有场景的中位数指标
  • 选择在测试集上获得最高SROCC的模型
  • 模型基础分辨率为1200，HyperIQA变体为1344（224*6）

引用

bibtex @InProceedings{Chahine_2023_CVPR, author = {Chahine, Nicolas and Calarasanu, Stefania and Garcia-Civiero, Davide and Cayla, Theo and Ferradans, Sira and Ponce, Jean}, title = {An Image Quality Assessment Dataset for Portraits}, booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2023}, pages = {9968-9978} }

许可

• 仅限非商业研究用途
• 不得复制、出售、交易或用于任何商业目的
• 根据作者要求移除任何图像集

联系

• 如有问题，请联系：[e-mail]

AI搜集汇总

数据集介绍

构建方式

PIQ23 数据集的构建方式独具匠心。它由 5116 张肖像照片组成，这些照片由 100 部来自 14 个品牌的智能手机拍摄，涵盖了 50 个预定义的场景，包括户外、室内、低光和夜景等。为了确保数据集的多样性和实用性，研究人员采用了多种智能手机镜头焦距，例如变焦、广角和自拍镜头，以及不同的相机模式，例如夜间模式和散景模式。此外，研究人员还收集了各种性别和种族的个人照片，以最大限度地减少数据集的偏差。为了确保注释的一致性和准确性，研究人员邀请了超过 30 位图像质量专家对每张照片进行了成对比较，并根据三个图像属性进行了注释：面部细节保留、面部目标曝光和整体图像质量。

特点

PIQ23 数据集具有以下特点：1. 数据集规模庞大，包含 5116 张肖像照片，涵盖了多种场景、设备和使用案例；2. 数据集注释由图像质量专家进行，确保了注释的一致性和准确性；3. 数据集采用了成对比较的注释方法，这种方法在图像质量评估实验中被证明是更一致的；4. 数据集考虑了性别和种族的多样性，以最大限度地减少数据集的偏差；5. 数据集提供了深入的统计分析，用于评估注释的一致性和准确性。

使用方法

PIQ23 数据集可用于多种用途，例如：1. 训练和评估图像质量评估模型；2. 研究肖像图像质量评估的属性和方法；3. 评估智能手机相机的图像质量。使用 PIQ23 数据集时，研究人员需要遵循以下步骤：1. 了解数据集的构成和注释方法；2. 选择合适的图像质量评估模型；3. 使用数据集训练和评估模型；4. 分析模型的性能和局限性。

背景与挑战

背景概述

在智能手机摄影日益普及的背景下，尤其是人像摄影领域，对图像质量评估的需求不断增长。智能手机制造商在开发相机时，会使用感知质量标准，这一过程昂贵且耗时。为了替代部分手动评估，基于自动学习的图像质量评估（IQA）方法应运而生。然而，由于IQA过程的客观性和一致性存在挑战，因此需要开发一个新的框架来评估和比较主观判断。PIQ23数据集由DXOMARK公司的研究人员于2023年创建，旨在解决这些问题，它包含5116张由100部智能手机拍摄的50个预定义场景的人像图像，涵盖了多种品牌和型号。该数据集由超过30位图像质量专家通过成对比较（PWC）进行注释，包括面部细节保留、面部目标曝光和整体图像质量三个属性。PIQ23数据集为IQA研究提供了一个新的方向，并推动了智能手机人像摄影的发展。

当前挑战

PIQ23数据集在构建过程中面临了几个挑战。首先，人像图像质量评估是一个主观的过程，不同观察者之间的意见可能存在分歧，这给数据集的注释和一致性带来了挑战。其次，PIQ23数据集包含多个场景，每个场景都有其独特的质量尺度，这导致了域偏移问题。为了解决这个问题，研究人员提出了一个新的深度BIQA方法，结合语义信息和多任务学习，以适应每个场景的质量尺度。最后，PIQ23数据集的注释需要大量的时间和人力，这增加了构建数据集的难度。尽管如此，PIQ23数据集为IQA研究提供了一个重要的资源，并为智能手机人像摄影的发展做出了贡献。

常用场景

经典使用场景

PIQ23数据集主要应用于人像图像质量评估（IQA）领域，特别是针对智能手机拍摄的人像照片。该数据集包含了5116张由100部智能手机拍摄的图像，涵盖了50个预定义的场景，并涉及不同品牌、型号和用例。数据集由30多名图像质量专家对三个图像属性进行了成对比较（PWC）标注：人脸细节保留、人脸目标曝光和整体图像质量。这些标注为研究人像图像质量评估提供了宝贵的参考数据，并可用于训练和评估IQA模型，从而帮助智能手机制造商提高相机性能和图像质量。

实际应用

PIQ23数据集在实际应用中具有广泛的应用前景。首先，它可以用于评估和比较不同智能手机相机的人像图像质量，帮助制造商改进相机设计和优化算法。其次，PIQ23数据集可以用于训练和评估IQA模型，从而实现自动化的人像图像质量评估，为社交媒体、在线照片编辑和打印服务等应用提供质量保证。此外，PIQ23数据集还可以用于研究人像图像质量与美学、心理感知等因素之间的关系，为人像摄影艺术和技术的发展提供理论指导。

衍生相关工作

PIQ23数据集的发布推动了人像图像质量评估领域的研究进展。基于PIQ23数据集，研究人员提出了多种新的IQA模型和算法，例如SEM-HyperIQA，它结合了语义信息和多任务学习，有效地解决了领域偏移问题，提高了IQA模型的性能。此外，PIQ23数据集还促进了人像图像质量评估方法的标准化和规范化，为人像图像质量评估领域的研究和应用奠定了基础。