计算机视觉应用中的失真分类：当前进展、挑战与展望

《ACM Computing Surveys》：Distortion Classification in Computer Vision Applications: Current Progress, Challenges, and Perspectives

本文概述了影响图像和视频信号质量的各类扭曲和artifacts，并提出数据库构建框架，强调数据作为技术核心的重要性。分析现有CV方法和应用，指出机器学习在单distortions检测有效，但多distortions分类仍具挑战，并建议完善数据库以提升模型性能，为视觉数据质量关键的应用提供参考。

　　

摘要

在采集、处理、压缩、传输和存储过程中，视频和图像会经历各种失真和伪影。这些失真和伪影可能会影响高级计算机视觉（CV）任务的性能。因此，识别失真/伪影对于开发和改进CV技术至关重要。本文概述了影响图像和视频信号质量的失真和伪影，并提出了一个框架，强调了数据库的作用，尤其是在当前数据成为技术核心的时代。文中讨论了与CV和图像处理相关的各种方法，重点关注图像/视频中的失真检测与分类。同时分析了计算机视觉及相关数据库中开发的各种应用和技术。研究发现，虽然基于机器学习（ML）的方法在处理单一失真方面取得了有希望的结果，但在多失真分类方面仍面临挑战。此外，现有数据集中仍缺少一些失真类型，这表明有必要构建包含更多失真类型的数据库，以改进用于各种CV应用的基于ML的模型。本文对从事CV应用的研究人员具有参考价值，特别是在视觉数据质量至关重要的领域，为设计高效的基于ML的解决方案提供了思路，适用于多种实际CV场景。