报告摘要:无参考图像质量评价作为保障用户体验与关键应用可靠性的核心技术,在现代信息社会中具有重要的应用价值。然而,由于评价任务内在复杂性及有效数据稀缺,现有方法在实际应用中普遍面临泛化能力不足等挑战。针对这一难题,本报告率先引入小样本学习理念,围绕数据、模型和优化三个层面,系统性分析与推导了不同质量评价库间的数据域差异分布,揭示了图像质量退化的内在成因及退化特征分布偏离规律,并提出了渐进式、无监督域适应评价新方法,显著增强了模型的泛化性能。最后,报告还将展示相关研究成果在实际质量监测等场景中的有效性与应用前景。
讲者简介:吴金建,西安电子科技大学教授、博导,国家优秀青年基金获得者。分别于2008年、2014年获得西安电子科技大学学士、博士学位,2019年破格晋升教授。获国家自然科学二等奖、陕西省自然科学一等奖、广东省人工智能产业协会发明一等奖等。面向人工智能国家战略及重大需求,长期从事仿生成像、智能信号处理等方面的理论和应用研究。主持国家重点研发/科技委基础加强等重点项目课题、国家自然基金项目等多项课题,研制了微米级缺陷检测设备、低慢小探测设备等并已交付工厂/部队使用。在TPAMI、CVPR、NIPs、National Science Review、Advanced Science等发表相关学术论文百余篇,多次获国际会议论文奖。