2025-04-09 Meeting 2

COMPARATIVE ANALYSIS OF QUALITY ASSESSMENT METRICS FOR AI-GENERATED IMAGES

https://github.com/NanioiNirusu/test_liqe

https://github.com/NanioiNirusu/Main_metrics

https://github.com/NanioiNirusu/demo_r_a_clip

 

Docs: https://docs.google.com/document/d/1A20U4XmccnZPyULkmGK3Exaxkm3AVTaYsOu7ir4r0R0/edit?tab=t.0

 

TODO:

  1. SLR izvēlēšanās process

  2. SLR Table Dataset

    1. No

    2. Title

    3. Name

    4. Sample count

    5. Type - Syntethic, real-world

    6. Is public avail

    7. Is 4k?

    8. Year

    9. Cite count per year (https://www.semanticscholar.org/)

    10. … Ja vēl kaut kas

  3. SLR Table metrics

    1. No

    2. Title

    3. Name

    4. Reference type

    5. Is DL method/classical

    6. is larger better

    7. Range From..To

    8. Cite count per year

    9. Year

  4. SLR Table Qualification criteria for Dataset (ir jau)

    1. Parasti satur vairāk kā tos, kurus izmantot metadoloģijā

    2. Atrast vēl 11 attēlu kopas, kuras nederēs un iekļaut

  5. SLR Table Qualification criteria for Metrics/radītājs (ir jau)

  6. SLR apakš nodaļa par darbiem, kur jau notiek metriku vai datu kopu salīdzināšana / meta analīze

  7. Neizmantot popularzinātniskus avotus CleanShot 2025-04-09 at 19.19.10

  1. Sagatavot citādāku formatējumu, lai lasītājs neapjūk salīdzinot ar corelāciju matricām CleanShot 2025-04-09 at 19.26.10

  1. vizuāli sliktākos/labākos novērtētos attēlus no dažādām datu kopām ielikt pie rezultātiem

  2. Rakstu darbu veikt iteratīvi

    1. Visās nodaļās miskastes teksts copy+paste

    2. visās nodāļās pāris satīrīti paragradi

    3. un tad final touch

 

Satura rādītājs:

  1. Ievads - Zinātniskā aktualitāte (cik daudz darbi, dataset, metrics parādās pēdējos gados), Mērķis, Hipotēze un uzdevumi

  2. Zinātniskās literaturas apskats

    1. Datu kopas

    2. Rādītāji (Metrikas)

  3. Metadoloģija- Salīdzināšanas protokols, vēlreiz nosauc metodes, kuras iekļauj, aprakstīt avaraging utt. Source code - apraksts kādās tehnoloģijās veidots utt, kā savāc datus kā apstrādā

  4. Rezultāti

    1. Tabulas salīdzinājumiem

    2. Attēli salīdzinājumam ar kvalitātes mērījumiem no dažādām datu kopām 5 no katras kopas CleanShot 2025-04-09 at 19.42.07

    3. Novērtēt labākas metrikas dažādās situācijas - skaidrot kāpēc

    4. Statistiskās nozīmības testi t-test: visas metrikas sērija pa dataset pāriem. Uz raw vērtībām būtu labāk - pret MOS pa pāriem

      Starp potencili līdzvērtīgi

      CleanShot 2025-04-09 at 19.36.53

  5. Tālākie pētījumi - vēl datu kopas, veikt vēl aptaujas (ja nav labas idejas)

  6. Secinājumi -> spogilis ievadam