실크로드 대학, 상해교통대학교 및 SenseTime Research의 연구원들로부터 개발된 Q-ALIGN이라는 역사적인 방법론이 이미지와 비디오를 평가하는 방법을 혁신시켜왔습니다. Q-ALIGN은 직접적인 숫자적 점수 대신에 텍스트로 정의된 등급 단계를 사용하여 시각 콘텐츠를 평가하는 방식을 교육하는 방법을 통해 기존의 전통적인 접근과는 차별화됩니다.
Q-ALIGN의 혁신은 훈련 단계 동안 기존의 점수 라벨을 이산화된 등급 단계로 변환할 수 있는 능력에 있습니다. 이 접근 방식은 기존의 절대적인 숫자 점수보다는 ‘우수함’, ‘좋음’, ‘보통’과 같은 사전 정의된 단계와 유사하게 시각 콘텐츠를 평가하는 인간 평가자의 작업 방식과 더 일치하는 특징을 갖추고 있습니다. Q-ALIGN은 기계 기반 평가와 인간의 인지적 과정 간의 격차를 좁히는 데에 기여합니다.
추론 단계에서 Q-ALIGN은 인간의 평가에서 평균 의견 점수(MOS)를 수집하는 과정을 에뮬레이션합니다. 다른 등급 단계에서 로그 확률을 추출하고 소프트맥스 풀링을 통해 각 단계의 가중치 폐쇄 확률을 계산합니다. 최종 점수는 이러한 확률의 가중 평균을 사용하여 기계 평가를 인간의 평가 점수로 전환하는 과정을 반영합니다.
Q-ALIGN은 이미지와 비디오 품질 평가, 이미지 미적 평가를 포함한 다양한 도메인에서 인상적인 성능을 보여주었습니다. 특히 새로운 콘텐츠 유형과 다양한 점수 부여 시나리오가 포함된 상황에서 기존의 방법보다 뛰어난 결과를 얻었으며, 이는 기존의 방식이 분포 이외의 일반화 능력이 약하여 어려움을 겪는 상황에서 특히 돋보입니다.
Q-ALIGN의 이러한 혁신적인 방법론은 다양한 분야에 폭넓게 적용될 수 있으며, 새로운 콘텐츠 유형에 대해 효과적으로 일반화하는 능력은 시각적 콘텐츠를 정확하게 평가하기 위한 튼튼하고 직관적인 도구를 제공합니다. Q-ALIGN은 기존 방법의 한계를 극복할 뿐만 아니라 시각 콘텐츠 평가 분야에서 미래의 발전 가능성을 열어줍니다.
Q-ALIGN의 등장은 기계 기반 평가와 인간 판단을 조율하는 길에 있어 패러다임의 전환을 표시합니다. 인공지능 능력의 한계를 끊임없이 뛰어넘으며 연구자들이 조금씩 나아가는 가운데, Q-ALIGN은 시각적 콘텐츠를 정확히 평가하고 이해하기 위한 중요한 한 걸음을 의미합니다.
The source of the article is from the blog karacasanime.com.ve