EvoIQA - Explaining Image Distortions with Evolved White-Box Logic

Probleemstelling

Traditionele methoden voor Image Quality Assessment (IQA) vallen doorgaans in twee uitersten:

1. Handgemaakte modellen: Rigid, wiskundige formules (zoals SSIM of PSNR) die vaak te simpel zijn om complexe perceptuele degradaties volledig te vangen.
2. Deep Learning ("Black-box"): Geavanceerde neurale netwerken (zoals DB-CNN) die uitstekende prestaties leveren, maar volledig ontbreken aan interpreteerbaarheid. Ze fungeren als "score-generators" zonder inzicht te geven in waarom een afbeelding als slecht wordt beoordeeld (bijv. onderscheid maken tussen structurele schade en kleurfouten).

Het doel van dit paper is om deze kloof te overbruggen door een IQA-model te ontwikkelen dat zowel state-of-the-art prestaties levert als volledig interpreteerbaar is (een "White-Box" model).

Methodologie: EvoIQA

De auteurs stellen EvoIQA voor, een framework gebaseerd op Genetic Programming (GP) voor symbolische regressie. In plaats van een neuraal netwerk te trainen, evolueert het systeem expliciete, menselijk leesbare wiskundige formules die de relatie tussen beeldkenmerken en menselijke kwaliteitsscores (MOS) modelleren.

De aanpak omvat de volgende stappen:

1. Feature Decompositie (Laag niveau):

   • Het framework gebruikt bestaande IQA-metrics (HaarPSI, VIF, FSIM, VSI) als basis.
   • In plaats van de ruwe ruimtelijke kaarten te gebruiken, worden deze omgezet in statistische representaties.
   • Er wordt gebruikgemaakt van de Asymmetric Generalized Gaussian Distribution (AGGD) om de verdeling van perceptuele fouten (zoals textuur en artefacten) te karakteriseren. Dit levert een compacte set van statistische parameters op (zoals vorm $\hat{\alpha}$, schaal $\bar{\sigma}^2$, scheefheid $\gamma$, en kurtosis $\kappa$).
   • Dit proces reduceert de dimensionality en maakt het model minder gevoelig voor scene-geometrie en meer voor de "statistiek van de fout".

2. Symbolische Evolutie (StackGP):

   • Een Stack-based Genetic Programming (StackGP) algoritme evolueert wiskundige formules die deze statistische parameters combineren om de MOS te voorspellen.
   • Interpreteerbaarheidsbeperkingen: Om "spaghetti code" te voorkomen, worden niet-lineaire activatiefuncties (zoals exp, sin) verbannen. Het model mag alleen basisrekenkundige bewerkingen (+, -, ×, /) gebruiken. Dit dwingt het systeem om lineaire combinaties van de geëxtraheerde features te vinden.
   • Twee varianten:
     • EvoIQA-Full: Gebruikt een uitgebreide set van features voor maximale nauwkeurigheid.
     • EvoIQA-Subset: Gebruikt een gereduceerde set (geselecteerd via Random Forest) voor computerefficiëntie.

3. Modelselectie:

   • Er wordt gebruikgemaakt van Pareto-tournaments om modellen te selecteren die een balans vinden tussen nauwkeurigheid en complexiteit (eenvoud).

Belangrijkste Bijdragen

• Statistische Feature Decompositie & GP: Het introduceren van een robuust framework dat bestaande IQA-metrics decomposeert in AGGD-statistieken en deze gebruikt om expliciete wiskundige formules te evolueren.
• State-of-the-Art Symbolische Prestaties: Het ontwikkelde model (MEvoIQA-Full) bereikt een maximale Spearman Rank-Order Correlation Coefficient (SROCC) van 0.8979 op de TID2013 dataset. Dit presteert beter dan gespecialiseerde deep learning-architecturen (zoals MEON en DB-CNN) op 18 van de 24 vervormingstypen, terwijl het minder dan 10 unieke parameters gebruikt.
• Explainable AI (XAI) voor IQA: Het leveren van twee transparante "White-Box" symbolische modellen. De auteurs tonen aan dat de gevonden formules logisch overeenkomen met menselijke visuele perceptie (bijv. het wegen van chromatische versus structurele fouten).

Resultaten

De resultaten zijn getest op meerdere datasets (TID2013, KADID-10k, CSIQ, CID:IQ, VDID2014):

• Prestatievergelijking:

  • Op TID2013 behaalde EvoIQA-Full een SROCC van 0.8898 (gemiddeld over 30 runs), wat vergelijkbaar is met of beter is dan complexe Deep Learning-modellen zoals DB-CNN (0.8900) en MEON (0.8800).
  • Het model overtreft traditionele handgemaakte metrics zoals HaarPSI (0.8662) en MS-SSIM (0.7915) aanzienlijk.
  • Het presteert beter dan Machine Learning-baselines zoals SVR en Random Forest, terwijl het veel eenvoudiger en interpreteerbaarder is.

• Generalisatie:

  • Het model, getraind op TID2013, generaliseert goed naar onzichtbare datasets (zoals KADID-10k en CID:IQ), wat aantoont dat het geen overfitting op specifieke dataset-artefacten ondergaat.
  • Het model is zeer stabiel: de variantie over 30 onafhankelijke runs is verwaarloosbaar (±0.006), in tegenstelling tot de vaak stochastische resultaten van deep learning-training.

• Specifieke Verbeteringen:

  • De grootste winst wordt geboekt bij gespecialiseerde vervormingen zoals lokale blokvormige vervormingen (EvoIQA: 0.656 vs HaarPSI: 0.482) en veranderingen in kleursaturatie (EvoIQA: 0.803 vs 0.710).
  • De gevonden formules tonen aan dat het model succesvol "chromatische integriteit" en "gradient fidelity" combineert, wat traditionele metrics vaak missen.

Betekenis en Conclusie

Dit paper bewijst dat het niet nodig is om interpreteerbaarheid op te offeren voor prestatie. EvoIQA demonstreert dat evolutionaire algoritmen (Genetic Programming) in staat zijn om complexe, menselijke visuele voorkeuren te vertalen naar compacte, wiskundig expliciete formules.

• Transparantie: In tegenstelling tot "black-box" deep learning, kunnen onderzoekers en ingenieurs de exacte formule inspecteren om te begrijpen hoe het model kwaliteit beoordeelt (bijv. hoe het gewicht geeft aan contrastmaskering of kleurschiftingen).
• Efficiëntie: Het model vereist geen zware GPU-resources of miljoenen parameters, wat het ideaal maakt voor implementatie in real-time systemen of embedded apparaten.
• Toekomstperspectief: De auteurs zien een weg naar No-Reference (NR) IQA door deze techniek direct toe te passen op de AGGD-parameters van vervormde afbeeldingen zonder referentiebeeld.

Kortom, EvoIQA biedt een nieuwe paradigma voor IQA: Symbolic AI die de beste van twee werelden combineert: de nauwkeurigheid van moderne data-gedreven methoden en de transparantie van klassieke wiskundige modellen.