面向智能应用的图像增强方法实验综述及感知完整性度量研究

《ARTIFICIAL INTELLIGENCE REVIEW》：The intersection of image enhancement, scaling, and metric precision for future AI systems

　　数字化和人工智能（AI）正在推动计算机视觉和图像处理领域智能应用的发展。这些应用的性能在很大程度上取决于图像特性（例如图像质量和图像大小）。为了在基准处于定义约束范围内或超出约束范围时理解其影响，研究面向准确、可重复、一致且可解释的AI的标准基准开发至关重要。此外，这还极大地影响相关工具和应用的设计，以便基于真实数据和合成数据来理解模型的性能并将其加以区分，服务于关键应用（例如暗光环境下的检测任务等）。本工作对经典图像增强方法和基于学习的图像增强方法进行了全面的实验概述，并量化了最广泛使用的视觉方法在作为基于学习的模型的数据预处理时的影响。通过多种指标的实验验证来评估图像特性的影响，这有助于理解图像质量一致性在受图像特性影响的未来AI应用中的作用。本工作通过标准评估指标提供了一个全面的实验综述，以便理解图像增强（IE）在智能应用部署背景下的重要性，并说明了图像缩放与评估之间的关系及其影响。我们进行了实验来衡量图像特性对AI训练数据中图像质量一致性的影响，并使用评估指标对性能进行评估。我们还提出了感知完整性度量（PIM），这是一种结构化的、基于感知的、基于特征的非参考度量，被构建为一种确定性的、可解释的评分函数，该函数将有意义的图像特征汇总为统一的分数，用于量化不同成像条件下的图像完整性。总体而言，本工作整合了现有知识，提供了对这个不断发展领域的全方位理解，并确定了未来研究的潜在方向。