요약

기존의 특징 비교 방식에 의존하던 전범위 이미지 품질 평가(Full-Reference Image Quality Assessment, FR-IQA) 모델의 한계를 극복하는 새로운 패러다임을 제시합니다. 본 논문은 인과 추론(Causal Inference)을 활용하여 손상 정도와 원본 콘텐츠를 분리하고, 인간 시각 시스템의 마스킹 효과를 모방한 마스킹 모듈을 도입했습니다. 이를 통해 이미지 내용에 의해 영향을 받는 '인과적 손상 특징'을 추출하며, 지도 학습(Supervised) 환경은 물론 데이터가 부족하거나 레이블이 없는 다양한 비

핵심 포인트

• 기존 FR-IQA 모델의 쌍별 특징 비교 방식을 탈피하여 인과 추론 기반의 새로운 패러다임을 제안합니다.
• 손상(Degradation)과 콘텐츠(Content) 표현을 분리하기 위해 원본 및 손상 이미지 간의 내용 불변성(content invariance)을 활용합니다.
• 인간 시각 마스킹 효과를 모방한 마스킹 모듈을 설계하여, 콘텐츠가 영향을 주는 인과적 손상 특징을 추출합니다.
• 지도 학습, 소수 레이블 환경, 그리고 레이블 프리(Label-free) 설정 등 다양한 조건에서 높은 성능을 입증했습니다.
• 수중, 의료 영상, 방사선 사진 등 데이터가 부족한 비표준 자연 이미지 도메인에서도 우수한 교차 도메인 일반화 능력을 보여줍니다.