PIQ23

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。

PIQ23 is an image quality assessment dataset specifically dedicated to portrait images. It comprises 5116 images captured by 100 distinct smartphone brands and models across 50 predefined scenarios. The dataset covers a wide range of application scenarios, and includes individuals of diverse genders and ethnicities who have explicitly and knowingly consented to the use of their photographs for public research. Over 30 image quality experts annotated the dataset for three core image attributes via pairwise comparison (PWC): facial detail retention, targeted facial exposure, and overall image quality.

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]

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。