Comprehensive evaluation of no-reference image quality assessment algorithms on authentic distortions
客观图像质量评价是对数字图像感知质量的预测。无参考图像质量评估预测给定输入图像的质量，而不需要关于其原始（无失真）对应物的任何知识或信息。机器学习算法在无参考图像质量评估中被大量使用，因为它是非常复杂的人类视觉系统的质量感知建模。此外，无参考图像质量评估算法进行评估，公开可用的基准数据库。这些数据库包含具有相应质量分数的图像。在这项研究中，我们评估了几个基于机器学习的NR-IQA方法和一个意见不知情的方法对数据库组成的真实失真。具体而言，LIVE In the Wild和KonIQ-10 k数据库被应用于评估最先进的。80%用于培训，其余20%用于测试。此外，平均PLCC，SROCC和KROCC值报告超过100个随机训练测试分裂。PLCC、SROCC和KROCC值的统计数据也使用箱形图发布。我们的评估结果可能有助于获得一个清晰的了解国家的最先进的无参考图像质量评估方法的地位。
2020-10-26 cs.CV eess.IV
Deep Quality: A Deep No-reference Quality Assessment System
Miovision Technologies Inc.（Miovision Technologies 公司）；University of Waterloo（滑铁卢大学）
图像质量评估（IQA）继续在研究界引起极大的兴趣，特别是考虑到消费者视频捕获和流媒体的巨大增长。尽管在过去的几十年里，IQA的研究工作取得了重大进展，但无参考图像质量评估领域仍然是一个巨大的挑战，并且在很大程度上尚未解决。在本文中，我们提出了一种新的无参考图像质量评估系统，称为深度质量，它利用深度学习的力量来建模视觉内容和感知质量之间的复杂关系。Deep Quality由一种新型的多尺度深度卷积神经网络组成，经过训练，可以根据由模糊、高斯噪声和压缩伪影等不同失真和退化组成的训练样本来学习评估图像质量。使用CSIQ基准图像质量数据集的初步结果表明，Deep Quality能够实现强大的质量预测性能（89%的块级预测精度和98%的图像级预测精度），能够实现与完全参考IQA方法相似的性能。
2016-09-22 cs.CV cs.MM
Image restoration quality assessment based on regional differential information entropy
Ningbo University（宁波大学）；Ningbo Institute of Industrial Technology, Chinese Academy of Sciences（中国科学院宁波工业技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）
随着图像恢复模型的发展，特别是基于对抗性和感知损失的图像恢复模型的发展，图像的细节纹理部分被更自然地恢复。然而，这些恢复的图像在细节纹理上与参考图像相似但不完全相同。使用传统的图像质量评估方法，主观感知质量越好的结果，客观评分往往越低。针对这一问题，提出了一种区域差分信息熵（RDIE）图像质量评价方法，该方法能够更好地评价相似但不相同的纹理细节，并与感知质量取得了较好的一致性。利用神经网络对信息熵的计算过程进行了重构，提高了运算速度和效率。与其他图像质量评估指标相比，本研究的图像质量评估数据集和PIPAL数据集进行的实验表明，所提出的RDIE方法与人们的平均意见得分产生了高度的一致性，证明了RDIE可以更好地量化图像的感知质量。
2022-11-26 cs.CV eess.IV
A comprehensive evaluation of full-reference image quality assessment algorithms on KADID-10k
Budapest University of Technology（布达佩斯技术大学）
在过去的十年中，全参考图像质量评估（FR-IQA）取得了重大进展。然而，新的大规模图像质量数据库已经发布用于评估图像质量评估算法。在这项研究中，我们的目标是使用最近发布的KADID-10 k数据库，这是目前最大的可用数据库，对最先进的FR-IQA指标进行全面评估。我们的评估结果和相关的讨论是非常有帮助的，以获得对国家的最先进的FR-IQA指标的状态清晰的理解。
2019-07-03 cs.CV eess.IV
A survey on IQA
University of Electronic Science and Technology of China（电子科技大学）
图像质量评估（IQA）对于基于图像的应用越来越重要。其目的是建立一种能够代替人类准确评价图像质量的模型。根据参考图像是否完整和可用，图像质量评价可分为三类：全参考（FR）、减少参考（RR）和非参考（NR）图像质量评价。由于深度学习的蓬勃发展和研究人员的广泛关注，近年来提出了几种基于深度学习的非参考图像质量评估方法，有些已经超过了减少参考甚至全参考图像质量评估模型的性能。本文将回顾图像质量评估和视频质量评估的概念和指标，简要介绍全参考和半参考图像质量评估方法，重点介绍基于深度学习的非参考图像质量评估方法。然后介绍了常用的合成数据库和真实世界数据库。最后，总结并提出挑战。
2022-01-11 cs.CV eess.IV
A Comparative Study of Quality and Content-Based Spatial Pooling Strategies in Image Quality Assessment
Georgia Institute of Technology（佐治亚理工学院）
量化图像质量的过程包括设计质量特征并汇集这些特征以获得值或图。有一个显着的研究兴趣，设计质量的功能，但池通常被忽视相比，功能设计。在这项工作中，我们比较了最先进的质量和基于内容的空间池化策略，并表明，虽然功能是任何图像质量评估的关键，池化也很重要。我们还提出了一个基于质量的空间池策略，是基于线性加权百分位池（WPP）。针对LIVE、多重失真LIVE和TID 2013图像数据库中的平方误差、SSIM和PerSIM分析了池化策略。
2018-11-21 cs.CV cs.MM eess.IV
Comprehensive evaluation of no-reference image quality assessment algorithms on KADID-10k database
客观图像质量评估的主要目标是设计能够与主观评价一致地预测感知图像质量的计算数学模型。客观的图像质量评估算法的评价是基于公开的基准数据库进行的实验。在这项研究中，我们的目标是给出一个全面的评价无参考图像质量评估算法，其原始源代码可在网上，使用最近公布的KADID-10 k数据库，这是最大的基准数据库之一。具体而言，报告了在100次随机训练测试拆分中测量的平均PLCC、SROCC和KROCC。此外，数据库被划分为一个训练（appx. 80\%的图像）和测试集（appx. 20%的图像）。因此，这两个集合之间没有语义内容重叠。我们的评估结果可能有助于获得一个清晰的了解国家的最先进的无参考图像质量评估方法的地位。
2020-11-09 cs.CV eess.IV
Subjective Quality Assessment of Ground-based Camera Images
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；ADAPT SFI Research Centre（ADAPT SFI研究中心）；University College Dublin（都柏林大学）；Nanyang Technological University Singapore（新加坡南洋理工大学）；National University of Singapore（新加坡国立大学）
图像质量评估对于控制和保持视觉内容的感知质量至关重要。主观和客观评估都可以使用，但是，主观图像质量评估目前被认为是最可靠的方法。在大气研究领域需要一个包含失真图像和平均意见分数的数据库，以改进目前最先进的方法。在本文中，我们专注于使用地基天空相机图像来理解大气事件。我们提出了一个新的图像质量评估数据集包含原始和扭曲的夜间图像的天空/云从SWINSEG数据库。按照国际电联的建议，在受控条件下进行了主观质量评估。主观评分的统计分析显示了噪声类型和失真水平对感知质量的影响。
2019-12-16 cs.CV eess.IV
Visual Mechanisms Inspired Efficient Transformers for Image and Video Quality Assessment
NORCE Norwegian Research Centre（NORCE挪威研究中心）；Hong Kong University of Science and Technology（香港科技大学）
视觉（图像、视频）质量评估可以通过不同域中的视觉特征来建模，例如，空间、频率和时间域。人类视觉系统（HVS）中的感知机制在质量感知的产生中起着至关重要的作用。本文提出了一个通用的框架，无参考的视觉质量评估使用有效的窗口Transformer架构。Swin（移位窗口）Transformer中集成了一个用于多级通道注意的轻量级模块。这样的模块可以代表适当的感知机制，在图像质量评估（IQA）建立一个准确的IQA模型。同时，在空间和频率域的图像质量感知的代表性特征也可以从IQA模型，然后被馈送到另一个窗口的Transformer架构的视频质量评估（VQA）。VQA模型有效地跨局部窗口重用注意力信息，以解决原始Transformer的昂贵时间和存储复杂性的问题。在大规模IQA和VQA数据库上的实验结果表明，所提出的质量评估模型的性能大大优于其他国家的最先进的模型。完整的源代码将在Github上发布。
2022-08-19 cs.CV eess.IV
Recognition Oriented Iris Image Quality Assessment in the Feature Space
UCAS（中国科学院大学）；CASIA（中国科学院自动化研究所）
在真实场景中，由于环境的不可控性和主体的非合作性，大部分虹膜图像的质量都很差。为了保证识别算法不受低质量图像的影响，传统的基于手工因子的方法会丢弃大部分图像，这会导致系统超时并破坏用户体验。针对这一问题，本文提出了一种面向虹膜识别的虹膜图像质量度量和评价方法。该方法将虹膜图像嵌入的特征空间距离（DFS）作为质量度量，并基于具有注意力机制的深度神经网络进行预测。本文提出的质量度量可以显着提高识别算法的性能，同时减少识别丢弃的图像的数量，这是优于手工制作的因素为基础的虹膜质量评估方法。提出了图像拒绝率（IRR）和等误率（EER）之间的关系，以评价在相同图像质量分布和相同识别算法下质量评价算法的性能。相对于手工因素的方法，所提出的方法是一种尝试，以弥补图像质量评估和生物特征识别之间的差距。该代码可在https://github.com/Debatrix/DFSNet上获得。
2020-09-27 cs.CV eess.IV
Quality Assessment of Super-Resolved Omnidirectional Image Quality Using Tangential Views
Samsung R&D UK（三星英国研发中心）；Massachusetts Institute of Technology（麻省理工学院）
全向图像（ODI），也称为360度图像，使观众能够从固定点探索给定360度场景的所有方向。设计具有ODI的沉浸式成像系统是具有挑战性的，因为这样的系统需要覆盖整个360度观看空间的非常大的分辨率以提供增强的体验质量（QoE）。尽管使用深度学习技术的单图像超分辨率（SISR）方法取得了显着进展，但还没有针对超分辨率ODI的质量评估研究来分析这种SISR技术的质量。本文提出了一个客观的，全参考的质量评估框架，研究质量测量的ODI基于GAN和基于CNN的SISR方法。质量评估框架提供了利用切线视图来处理给定ODI的球形性质。所生成的切向视图是无失真的，并且可以有效地缩放为用于SISR质量测量的高分辨率球形数据。我们广泛评估两个国家的最先进的SISR方法使用广泛使用的全参考SISR质量指标，适应我们设计的框架。此外，我们的研究表明，大多数客观指标显示基于CNN的SISR的高性能，而主观测试有利于基于GAN的架构。
2021-01-25 cs.CV eess.IV
A Perceptual Quality Assessment Exploration for AIGC Images
Shanghai Jiao Tong University（上海交通大学）
随着深度学习在内容创作中的效率不断提高，\underline{AI} \underline{G}生成的\underline{C}内容（\textbf{AIGC}）得到了广泛的关注。在人工智能技术辅助下创建的AIGC，包含多种形式的内容，其中AI生成的图像（AGI）为社会带来了重大影响，已应用于娱乐、教育、社交媒体等多个领域，但由于硬件限制和技术熟练程度，AIGC图像（AGI）质量参差不齐，在实际使用之前需要细化和过滤。因此，迫切需要开发客观的模型来评估AGIs的质量。不幸的是，没有研究已经进行了调查的感知质量评估AGIs具体。因此，在本文中，我们首先讨论了AGI质量评估的主要评估方面，如技术问题，人工智能工件，不自然，差异和美学。然后，我们提出了第一个感知AGI质量评估数据库，AGIQA-1K，其中包括1,080 AGI产生的扩散模型。通过一个组织良好的主观实验，收集了AGIs的质量标签。最后，我们进行了基准实验，以评估当前的图像质量评估（IQA）模型的性能。
2023-03-22 cs.CV eess.IV
The Loop Game: Quality Assessment and Optimization for Low-Light Image Enhancement
Department of Computer Science, South China Normal University（华南师范大学计算机科学系）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
本文提出循环增强框架，通过构建QUOTE-LOL大规模质量评估数据库，将客观质量评估指标融入增强模型优化，迭代提升低光图像的感知质量。
2025-05-03 cs.CV eess.IV
A Dark and Bright Channel Prior Guided Deep Network for Retinal Image Quality Assessment
Central South University（中南大学）；Hunan Province Engineering Technology Research Center of Computer Vision and Intelligent Medical Treatment（湖南省计算机视觉与智能医疗工程技术研究中心）
视网膜图像质量评价是视网膜疾病诊断中的一项重要工作。最近，出现了用于对视网膜图像的质量进行分级的深度模型。目前的技术水平要么直接将最初为自然图像设计的分类网络转移到视网膜图像的质量分类，要么经由多个CNN分支或独立CNN引入额外的图像质量先验。本文提出了一种用于视网膜图像质量评估的暗通道和亮通道先验引导深度网络，称为GuidedNet。具体而言，暗通道和亮通道先验被嵌入到网络的起始层，以提高深层特征的区分能力。此外，我们重新注释了一个新的视网膜图像质量数据集，称为RIQA-RFMiD，以进一步验证。在一个公开的视网膜图像质量数据集Eye-Quality和我们重新标注的数据集RIQA-RFMiD上的实验结果证明了所提出的GuidedNet的有效性。
2021-04-20 cs.CV eess.IV
Boosting in Image Quality Assessment
Georgia Institute of Technology（佐治亚理工学院）
本文分析了多方法融合的图像质量评价中Boosting的效果。现有的多方法研究集中在提出一个单一的质量估计。相反，我们研究的多方法融合作为一个框架的推广性。除了通常用于多方法融合的支持向量机之外，我们还建议在Boosting中使用神经网络。为了跨越不同类型的图像质量评估算法，我们使用基于保真度，感知扩展保真度，结构相似性，光谱相似性，颜色和学习的质量估计。在实验中，我们使用LIVE、多重失真LIVE和TID 2013数据库执行k折交叉验证，并通过基于准确性、线性度和排名的度量来测量图像质量评估算法的性能。基于实验，我们表明，提升方法一般提高图像质量评估的性能和提高的水平取决于类型的提升算法。我们的实验结果还表明，提高性能最差的质量估计与两个或两个以上的额外的方法，导致统计上显着的性能增强独立的提升技术和基于神经网络的提升优于基于支持向量机的提升时，两个或两个以上的方法融合。
2018-11-21 cs.CV cs.MM eess.IV
Blind Omnidirectional Image Quality Assessment: Integrating Local Statistics and Global Semantics
University of Waterloo（滑铁卢大学）
全向图像质量评估（OIQA）旨在预测覆盖整个180 $\times$ 360 $^{\circ}$视觉环境观察范围的全向图像的感知质量。在这里，我们提出了一个盲/无参考OIQA方法命名为S $^2$，桥梁之间的差距低层次的统计和高层次的语义全向图像。具体而言，统计和语义特征分别从多个局部视口和超分辨率全局全向图像中提取。随后进行质量回归以及加权处理，将提取的质量感知特征映射到感知质量预测。实验结果表明，所提出的S $^2$方法提供了高度竞争力的性能对国家的最先进的方法。
2023-02-24 cs.CV cs.MM
Image Quality Assessment in the Modern Age
City University of Hong Kong（香港城市大学）；Jiangxi University of Finance and Economics（江西财经大学）
本教程为观众提供了图像质量评估（IQA）的基本理论，方法和最新进展。从可操作的角度来看，我们将首先回顾几种主观质量评估方法，重点是如何正确选择视觉刺激。然后，我们将详细介绍客观质量评估模型的设计原则，并对其优缺点进行深入分析。将涵盖手工设计和（深度）学习方法。此外，传统的模型比较方法的客观质量模型的局限性将被指出，和新的比较方法，如那些基于“综合分析”的理论将被介绍。最后，我们将讨论IQA在现实世界中的应用，并给出一个开放的挑战性问题的列表，希望鼓励越来越多的有才华的研究人员和工程师致力于这个令人兴奋的和有价值的研究领域。
2021-10-19 cs.CV eess.IV
PyTorch Image Quality: Metrics for Image Quality Assessment
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；King’s College London（伦敦国王学院）
图像质量评价（IQA）度量被广泛用于定量地估计图像在某些形成、恢复、变换或增强算法之后的退化程度。我们介绍了PyTorch图像质量（PIQ），这是一个以可用性为中心的库，包含最流行的现代IQA算法，保证根据其原始主张正确实现并经过彻底验证。在本文中，我们详细介绍了该库基础背后的原则，描述了使其可靠的评估策略，提供了展示性能-时间权衡的基准测试，并强调了GPU加速的好处，因为该库在PyTorch后端中使用。PyTorch Image Quality是一个开源软件：https://github.com/photosynthesis-team/piq/。
2022-08-31 cs.CV eess.IV
Towards Explainable Partial-AIGC Image Quality Assessment
Shanghai Jiaotong University（上海交通大学）
针对局部AIGC图像（PAIs）质量评估的研究空白，构建首个大规模EPAIQA-15K数据集，提出基于大型多模态模型的三阶段训练范式，开发具备可解释质量反馈能力的EPAIQA系列模型，填补局部AIGC图像质量评估领域的空白。
2025-04-12 cs.CV cs.MM
No-Reference Light Field Image Quality Assessment Based on Spatial-Angular Measurement
University of Science and Technology of China（中国科学技术大学）；Nanjing University of Information Science and Technology（南京信息工程大学）
光场图像质量评价（LFI-QA）是一个重要且具有挑战性的研究课题。有助于更好地指导光场采集、处理和应用。然而，只有少数的客观模型已经提出，他们都没有完全考虑影响LFI质量的内在因素。在本文中，我们提出了一个无参考光场图像质量评估（NR-LFQA）计划，其主要思想是量化LFI质量下降，通过评估的空间质量和角度一致性。我们首先通过捕捉人类观察LFI时形成的光场循环图像阵列的自然度分布来测量空间质量劣化。然后，作为LFI的变换表示，对极平面图像（EPI）包含线的斜率和涉及的角度信息。因此，利用EPI从LFI中提取全局和局部特征来衡量角度一致性退化。具体而言，EPI的梯度方向图的分布被提出来衡量在LFI的全局角度一致性失真。我们进一步提出加权局部二值模式来捕捉局部角一致性退化的特征。在四个公开的LFI质量数据集上的大量实验结果表明，该方法优于最先进的2D，3D，多视图和LFI质量评估算法。
2022-02-18 cs.CG cs.CV cs.MM
BIQ2021: A Large-Scale Blind Image Quality Assessment Database
University of Engineering and Technology Lahore（拉合尔工程技术大学）
由于数字多媒体设备的广泛使用，数字图像的感知质量的评估变得越来越重要。智能手机和高速互联网只是技术的两个例子，这些技术使可用的多媒体内容数量成倍增加。因此，获得客观质量评估训练所需的代表性数据集是一个重大挑战。本文介绍了盲图像质量评估数据库BIQ2021。通过选择具有自然发生的失真和可靠标记的图像，数据集解决了获得代表性图像进行无参考图像质量评估的挑战。该数据集由三组图像组成：那些无意使用它们进行图像质量评估的图像，那些故意引入自然失真的图像，以及那些从开源图像共享平台拍摄的图像。试图维护来自各种设备的图像的多样化集合，包含各种不同类型的对象和不同程度的前景和背景信息。为了获得可靠的分数，这些图像在实验室环境中使用单一刺激方法进行主观评分。该数据库包含有关主观评分、人类受试者统计和每张图像的标准差的信息。该数据集的平均意见得分（MOS）使其有助于评估视觉质量。此外，建议的数据库被用来评估现有的盲图像质量评估方法，并使用皮尔逊和斯皮尔曼的相关系数的分数进行分析。图像数据库和MOS可免费使用和基准测试。
2023-01-10 cs.CV eess.IV
Blind Image Quality Assessment: A Brief Survey
Shenzhen University（深圳大学）
本综述全面梳理盲图像质量评估领域的最新进展，涵盖基于手工特征、深度学习及多模态方法，并介绍代表性数据库，为视觉质量社区提供宝贵见解。
2023-12-27 cs.CV cs.MM
Image Quality Assessment with Gradient Siamese Network
Netease Inc（网易公司）
在这项工作中，我们介绍了梯度连体网络（GSN）的图像质量评估。该方法能够有效地提取全参考图像质量评价中畸变图像与参考图像之间的梯度特征。我们利用中央差分卷积来获得隐藏在图像对中的语义特征和细节差异。此外，空间注意力引导网络集中在与图像细节相关的区域。针对网络提取的低层、中层和高层特征，创新性地设计了多层次融合方法，提高了特征利用效率。除了常用的均方误差监督外，我们进一步考虑了批次样本之间的相对距离，并成功地将KL发散损失应用于图像质量评估任务。我们在几个公开的数据集上对所提出的算法GSN进行了实验，证明了其优越的性能。我们的网络赢得了NTIRE 2022感知图像质量评估挑战赛第1轨道全参考的第二名。
2022-08-08 cs.CV eess.IV
No-reference Image Denoising Quality Assessment
Portland State University（波特兰州立大学）
图像去噪方法种类繁多。然而，去噪算法的性能通常取决于单个输入噪声图像以及其参数设置。本文提出了一种无参考的图像去噪质量评价方法，该方法可以用于为输入的含噪图像选择具有最佳参数设置的正确去噪算法。这是一项具有挑战性的任务，因为没有地面实况可用。本文提出了一种数据驱动的方法来学习预测图像去噪质量。我们的方法是基于这样的观察，即虽然单独的现有质量指标和去噪模型不能对去噪结果进行鲁棒性排名，但它们通常是相互补充的。我们相应地基于这些现有的指标和模型设计去噪质量特征，然后使用随机森林回归将它们聚合成一个更强大的统一指标。我们对各种类型和噪声水平的图像进行的实验表明，我们的无参考去噪质量评估方法显着优于最先进的质量指标。本文还提供了一种方法，利用我们的质量评估方法自动调整输入噪声图像的去噪算法的参数设置，以产生最佳的去噪结果。
2018-10-13 cs.CV eess.IV
Perceptual Image Quality Assessment with Transformers
LG Electronics（LG电子）
在本文中，我们提出了一个图像质量Transformer（IQT），成功地将Transformer架构的感知全参考图像质量评估（IQA）的任务。感知表征在图像质量评价中变得越来越重要。在这种情况下，我们使用卷积神经网络（CNN）主干从每个输入图像中提取感知特征表示。所提取的特征图被馈送到Transformer编码器和解码器中，以便比较参考图像和失真图像。遵循基于transformer的视觉模型的方法，我们使用额外的可学习质量嵌入和位置嵌入。将Transformer的输出传递到预测头，以便预测最终质量分数。实验结果表明，我们提出的模型具有出色的性能标准IQA数据集。对于一个包含生成模型输出图像的大规模IQA数据集，我们的模型也显示了有希望的结果。拟议的IQT在NTIRE 2021感知图像质量评估挑战赛的13名参与者中排名第一。我们的工作将是一个机会，以进一步扩大的感知IQA任务的方法。
2021-05-05 cs.CV eess.IV
Dual-Branch Network for Portrait Image Quality Assessment
Shanghai Jiao Tong University（上海交通大学）；Nanyang Technological University（南洋理工大学）；Huawei（华为）
针对人像图像易受环境、拍摄技术等因素出现质量下降的问题，提出一种双分支PIQA网络，结合双骨干特征、LIQE辅助特征及学习排序训练，在PIQ数据集上取得了优异的评估性能。
2024-05-14 cs.CV cs.MM
CD2 : Combined Distances of Contrast Distributions for the Assessment of Perceptual Quality of Image Processing
X-Motive（X-Motive公司）；Hochschule Karlsruhe（卡尔斯鲁厄应用技术大学）；Mercedes-Benz（梅赛德斯-奔驰）；DFKI（德国人工智能研究中心）
视觉输入的质量对于人和机器的感知都是非常重要的。因此，存在处理不同失真的许多处理技术。通常，图像处理被自由地应用，并且缺乏关于安全性的冗余。我们提出了一种新的图像比较方法，称为对比度分布的组合距离（CD2），以防止在处理过程中出现的错误。提出了一种基于图像对比度分布的缩减参考图像质量评价方法。通过结合各种距离函数，在IQA基准测试中实现了出色的性能，只有很小的数据和计算开销。
2021-02-09 cs.CV eess.IV
UNO-QA: An Unsupervised Anomaly-Aware Framework with Test-Time Clustering for OCTA Image Quality Assessment
Southern University of Science and Technology（南方科技大学）；The University of Hong Kong（香港大学）；The University of British Columbia（不列颠哥伦比亚大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）
医学图像质量评价（MIQA）是各种医学图像分析应用的重要前提。大多数现有的MIQA算法都是完全监督的，需要大量的注释数据。然而，注释医学图像是耗时和劳动密集型的。在本文中，我们提出了一个无监督的异常感知框架与测试时间聚类的光学相干断层扫描血管造影（OCTA）图像质量评估的设置，其中只有一组高质量的样本是在训练阶段访问。具体而言，提出了一种基于特征嵌入的低质量表示模块，以量化OCTA图像的质量，然后区分突出质量和非突出质量。在非优秀质量类中，为了进一步区分可分级图像和不可分级图像，我们对训练好的OCTA质量表示网络提取的多尺度图像特征进行降维和聚类。在一个可公开访问的数据集sOCTA-3*3- 10 k上进行了广泛的实验，成功地建立了我们提出的框架的优越性。
2023-02-21 cs.CV eess.IV
A No-Reference Deep Learning Quality Assessment Method for Super-resolution Images Based on Frequency Maps
Shanghai Jiao Tong University（上海交通大学）
为了支持高分辨率图像的应用场景，人们开发了各种单图像超分辨率（SISR）算法。然而，SISR是一个不适定的逆问题，可能会给重建图像带来纹理移位、模糊等伪影，因此有必要对超分辨率图像的质量进行评价。请注意，大多数现有的图像质量评估（IQA）方法是针对合成失真图像开发的，这可能不适用于SRI，因为它们的失真更加多样和复杂。因此，在本文中，我们提出了一种基于频率图的无参考深度学习图像质量评估方法，因为SISR算法引起的伪影对频率信息非常敏感。具体地说，我们首先利用Sobel算子和分段光滑图像近似得到SRI的高频图（HM）和低频图（LM）。然后，一个双流网络被用来提取两个频率图的质量感知特征。最后，使用完全连接的层将特征回归为单个质量值。实验结果表明，我们的方法优于所有比较的IQA模型在选定的三个超分辨率质量评估（SRQA）数据库。
2022-06-09 cs.CV eess.IV
EX-FIQA: Leveraging Intermediate Early eXit Representations from Vision Transformers for Face Image Quality Assessment
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究研究所IGD）；Department of Computer Science, TU Darmstadt（图腾大学计算机科学系）
本文提出利用视觉变换器中间层表示进行人脸图像质量评估，通过早期退出机制和分数融合策略，发现不同深度层捕获互补的质量信息，提出深度加权平均融合方法，提升评估性能并实现计算效率。
2026-04-21 cs.CV eess.IV
GIQA: Generated Image Quality Assessment
University of Science and Technology of China（中国科学技术大学）；Microsoft Research（微软研究院）
生成对抗网络（GANs）今天已经取得了令人印象深刻的结果，但并非所有生成的图像都是完美的。最近出现了一些定量标准的生成模型，但没有一个是专为一个单一的生成图像。在本文中，我们提出了一个新的研究课题，生成的图像质量评估（GIQA），它定量地评估每个生成的图像的质量。本文从基于学习和基于数据两个角度介绍了三种GIQA算法。我们在不同的数据集上评估了最近各种GAN模型生成的一些图像，并证明它们与人类评估一致。此外，GIQA可用于许多应用，例如单独评估生成模型的真实性和多样性，并在GANs的训练中启用在线硬否定挖掘（OHEM）以改善结果。
2020-07-14 cs.CV eess.IV
MSPT: A Lightweight Face Image Quality Assessment Method with Multi-stage Progressive Training
The Hong Kong Polytechnic University（香港理工大学）；Alibaba Group（阿里巴巴集团）；Shenzhen Campus of Sun Yat-Sen University（中山大学深圳校区）
针对人脸图像质量评估方法复杂度高、难以实际部署的问题，提出轻量级网络MSPT，采用三阶段渐进式训练策略逐步增加数据多样性与分辨率，在VQualA 2025基准上取得第二高分，兼顾了高性能与高效推理。
2025-08-11 cs.CV cs.MM
No Reference Stereoscopic Video Quality Assessment Using Joint Motion and Depth Statistics
Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
我们提出了一个无参考（NR）的质量评估算法评估自然立体3D（S3D）视频的感知质量。这项工作的灵感来自于我们的发现，自然S3D视频的运动（光流或运动矢量幅度）和深度（视差图）的子带系数的联合统计具有独特的签名。具体来说，我们经验表明，联合统计的运动和深度子带系数的S3D视频帧可以准确地使用双变量广义高斯分布（BGGD）建模。然后，我们证明了BGGD模型的参数具有辨别S3D视频中的质量变化的能力。因此，采用BGGD模型参数作为运动和深度质量特征。除了这些功能，我们依赖于帧级的空间质量特征，使用一个强大的现成的NR图像质量评估（IQA）算法计算。这些帧级运动、深度和空间特征被合并并与对应的S3D视频的差异平均意见得分（DMOS）标签一起用于使用支持向量回归（SVR）的监督学习。S3 D视频的总体质量是通过对组成视频帧的帧级质量预测求平均值来计算的。所提出的算法，被称为视频质量评估使用运动和深度统计（VQUEMODES）的最先进的方法进行评估时，IRCCYN和LFOVIA S3D主观质量评估数据库。
2017-11-15 cs.CV cs.MM
Subjective and Objective Quality Assessment of Image: A Survey
Ferdowsi University of Mashhad（菲尔多西大学）；McMaster University（麦克马斯特大学）
随着对基于图像的应用的需求的增加，对图像质量的有效和可靠的评估变得越来越重要。测量图像质量对于许多图像处理应用来说至关重要，其中图像质量评估（IQA）方法的目标是自动评估图像质量以符合人类质量判断。在过去的几年里，已经提出了许多IQA方法来实现这一目标。在本文中，传统的图像信号的质量评估方法，以及新出现的，其中包括高动态范围（HDR）和3-D图像的调查。全面解释了主观和客观IQA及其分类。六个广泛使用的主观质量数据集，和性能指标进行审查。重点介绍了全参考图像质量评价（FR-IQA）方法，以及9种常用的图像质量评价指标（包括均方误差（MSE）、结构相似性指数（SSIM）、多尺度结构相似性指数（MS-SSIM）、视觉信息保真度（VIF）、最明显失真（MAD）、特征相似性度量（FSIM）、彩色图像特征相似性度量（FSIMC）、动态范围独立测度（DRIM）和色调映射图像质量指数（TMQI）），并对它们在四种主观质量数据集上的性能和计算时间进行了评估。此外，简要介绍了3-D IQA和相关的问题，这方面的研究进行了审查。
2014-06-30 cs.CV cs.MM
Echocardiographic Image Quality Assessment Using Deep Neural Networks
University of West London（西伦敦大学）；Imperial College（帝国理工学院）
超声心动图图像质量评估在经胸检查中不是一个微不足道的问题。随着心脏结构的活体检查在心脏诊断中的重要性日益突出，已经证实左心室功能的准确诊断在很大程度上取决于回波图像的质量。到目前为止，超声图像的视觉评估是高度主观的，需要在临床病理下进行特定的定义。虽然低质量的图像会影响量化和诊断，但超声心动图图像质量标准的固有差异表明了不同观察者之间面临的复杂性，并为临床试验下的不一致评估提供了明显的证据，特别是经验不足的心脏病专家。在这项研究中，我们的目标是分析和定义专家们主要讨论的特定质量属性，并提出一个经过充分训练的卷积神经网络模型，用于客观地评估这些质量特征。
2022-09-02 cs.CV cs.LG eess.IV
Deep Image Compression Using Scene Text Quality Assessment
Tohoku University（东北大学）
本文针对高压缩率导致图像中文本不可读的问题，提出一种基于场景文本质量评估模型的深度图像压缩方法，通过迭代搜索最佳压缩图像以保持文本质量，并在主客观评价中优于现有方法。
2023-05-19 cs.CV
Video Quality Assessment Based on Swin TransformerV2 and Coarse to Fine Strategy
University of Science and Technology of China（中国科学技术大学）
本文提出一种基于Swin Transformer V2和由粗到细对比策略的无参考视频质量评估方法，通过增强空间感知与轻量时序融合模块提升对不同码率压缩视频的质量判别能力。
2024-01-16 cs.CV cs.LG eess.IV
Assessing Bias in Face Image Quality Assessment
University of Ljubljana（卢布尔雅那大学）
人脸图像质量评估（FIQA）试图通过提供有关样本质量的额外信息来提高人脸识别（FR）性能。由于FIQA方法试图估计样本对人脸识别的效用，因此可以合理地假设这些方法受到底层人脸识别系统的严重影响。虽然现代人脸识别系统表现良好，但一些研究发现，这种系统经常表现出人口统计学偏见的问题。因此，FIQA技术也可能存在这样的问题。为了研究与FIQA方法相关的人口统计学偏差，本文提出了一项全面的研究，涉及各种质量评估方法（通用图像质量评估，监督人脸质量评估和无监督人脸质量评估方法）和三种不同的最先进的FR模型。我们对野生平衡面孔（BFW）数据集的分析表明，所有考虑的技术都受到种族差异的影响，而不是性别。虽然通用的图像质量评估方法似乎是不太偏置的两个人口统计因素考虑，监督和无监督的人脸图像质量评估方法都表现出强烈的偏见，有利于白人（无论性别）的倾向。此外，我们发现，种族偏见较少的方法整体表现较差。这表明FIQA方法中观察到的偏差在很大程度上与底层人脸识别系统有关。
2022-11-28 cs.CV
Empirical Study of Quality Image Assessment for Synthesis of Fetal Head Ultrasound Imaging with DCGANs
King’s College London（伦敦国王学院）
在这项工作中，我们提出了DCGAN的实证研究，包括超参数成像和图像质量评估，作为一种方法来解决数据集的稀缺性，以调查胎儿头部超声。我们提出的实验显示不同的图像分辨率，历元，数据集大小输入和学习率对四个指标的影响：互信息（MI），Fréchet起始距离（FID），峰值信噪比（PSNR）和局部二进制模式向量（LBPV）。结果表明，FID和LBPv与临床图像质量评分有较强的相关性。可在\url{https://github.com/budai4medtech/miua2022}上获得复制本工作的资源。
2022-06-27 cs.CV cs.LG eess.IV
Automated Assessment of Transthoracic Echocardiogram Image Quality Using Deep Neural Networks
University of West London（西伦敦大学）
二维超声心动图中的标准视图已得到很好的建立，但采集图像的质量高度依赖于操作者的技能，并进行主观评估。本研究旨在通过定义一组新的特定领域质量指标，为超声心动图图像质量提供客观评估管道。因此，图像质量评估因此可以自动化以增强临床测量、解释和实时优化。我们开发了深度神经网络，用于自动评估从11，262名成人患者中随机抽样的超声心动图帧。私人超声心动图数据集包括33，784帧，之前在2010年至2020年期间采集。使用深度学习方法提取时空特征，并根据平均绝对误差评估图像质量指标。我们的质量指标包含解剖和病理元素，分别为解剖可见性、清晰度、深度增益和透视短缩提供多变量评估评分。
2022-09-02 cs.CV cs.LG cs.NE
Artifact- and content-specific quality assessment for MRI with image rulers
Stanford University（斯坦福大学）
在临床实践中，MR图像通常在扫描后很长时间才由放射科医生首次看到。如果图像质量不足，患者必须返回进行额外扫描，或者提供次优解释。自动图像质量评估（IQA）将实现实时补救。现有的MRI IQA工作只给出了一个一般的质量评分，不知道低质量扫描的原因和解决方案。此外，放射科医师的图像质量要求随扫描类型和诊断任务而变化。因此，相同的分数对于不同的扫描可能具有不同的含义。我们提出了一个具有多任务CNN模型的框架，该模型使用校准的标签进行训练并使用图像标尺进行推理。由人工输入校准的标签遵循明确定义的高效标签任务。图像标尺解决了不同的质量标准，并提供了一种解释来自CNN的原始分数的具体方法。该模型支持MRI中两种最常见伪影的评估：噪声和运动。它的准确率约为90%，比之前最好的方法高出6%，比人类专家的噪声评估高出3%。我们的实验表明，标签校准，图像标尺，多任务训练提高了模型的性能和泛化能力。
2021-11-06 cs.AI cs.CV eess.IV
Blind Predicting Similar Quality Map for Image Quality Assessment
Communication University of China（中国传媒大学）
图像盲质量评估的关键问题是如何以数据驱动的方式有效地对人类视觉系统的特性进行建模。在本文中，我们提出了一个简单而有效的BIQA模型的基础上，一个新的框架，其中包括一个完全卷积神经网络（FCNN）和池网络来解决这个问题。原则上，FCNN能够通过使用从传统的全参考图像质量评估方法导出的中间相似性图，仅从失真图像预测逐像素的相似质量图。预测的逐像素质量图与参考图像和失真图像之间的失真相关性具有良好的一致性。最后，深度池化网络将质量图回归为分数。实验表明，我们的预测优于许多国家的最先进的BIQA方法。
2019-03-10 cs.CV
No-Reference Color Image Quality Assessment: From Entropy to Perceptual Quality
Wuhan University（武汉大学）
提出了一种基于图像熵的高性能通用无参考图像质量评价方法。从两个域提取图像特征。在空间域中，计算颜色通道之间的互信息和二维熵。在频域中，计算滤波后的子带图像的二维熵和互信息作为输入彩色图像的特征集。然后，与所有提取的特征，支持向量分类器（SVC）的失真分类和支持向量回归（SVR）用于质量预测，以获得最终的质量评估分数。提出的方法，我们称之为基于熵的无参考图像质量评估（ENIQA），可以评估不同类别的失真图像的质量，并具有较低的复杂度。在LIVE和TID 2013数据库上对所提出的ENIQA方法进行了评估，并显示出优越的性能。实验结果表明，所提出的ENIQA方法对彩色图像的客观评价和主观评价具有较高的一致性，表明ENIQA具有良好的整体性能和泛化能力。源代码可以在github https://github.com/jacob6/ENIQA上找到。
2018-12-27 cs.CV
Towards Document Image Quality Assessment: A Text Line Based Framework and A Synthetic Text Line Image Dataset
Tongdun Technology（同盾科技）；ZhongAn Technology（众安科技）
由于低质量的文档图像将极大地降低自动文本识别和分析的成功机会，因此有必要评估在线业务流程中上传的文档图像的质量，以便拒绝那些低质量的图像。在本文中，我们试图实现文档图像质量评估和我们的贡献是双重的。首先，由于文档图像质量评估更感兴趣的是文本，我们提出了一个基于文本行的框架来估计文档图像质量，它由三个阶段组成：文本行检测，文本行质量预测，和整体质量评估。文本行检测旨在通过检测器发现潜在的文本行。在文本行质量预测阶段，使用基于CNN的预测模型为每个文本行计算质量分数。最后通过所有文本行质量的集合来评估文档图像的整体质量。其次，为了训练预测模型，合成了包含52，094个文本行图像的具有不同属性的大规模数据集。对于每个文本行图像，使用分段函数计算质量标签。为了证明所提出的框架的有效性，全面的实验进行了评估两个流行的文档图像质量评估基准。我们的框架在大型复杂数据集上的表现明显优于最先进的方法。
2019-06-05 cs.CV
Image Quality Assessment: Exploring Quality Awareness via Memory-driven Distortion Patterns Matching
本文提出基于记忆驱动的图像质量评估框架，通过存储失真模式并动态切换评估策略，实现无参考和全参考的高质量图像质量评估。
2026-02-20 cs.CV
Semi-Supervised Deep Ensembles for Blind Image Quality Assessment
City University of Hong Kong（香港城市大学）；Peng Cheng Laboratory（鹏城实验室）
如果基础学习者被认为是“准确的”和“多样的”，那么包围方法通常被认为比单一模型更好。“在这里，我们研究了一种半监督集成学习策略，以产生可推广的盲图像质量评估模型。我们训练多头卷积网络，通过最大化集成（以及基础学习器）对标记数据的准确性来进行质量预测，并且不一致（即，多样性），其中对未标记的数据，都实现了保真度损失。我们进行了大量的实验，以证明使用未标记的数据BIQA的优势，特别是在模型推广和故障识别。
2021-06-29 cs.CV cs.LG eess.IV
Deep Face Quality Assessment
Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）
人脸图像质量是人脸识别系统中的一个重要因素，因为其验证和识别的准确性高度依赖于所呈现的图像的质量。拒绝低质量图像可以显著提高任何面部识别系统的准确性。在该项目中，提出了一种简单的方法来训练深度卷积神经网络，以执行端到端的人脸图像质量评估。工作分两个阶段完成：首先，生成质量分数标签，其次，以监督的方式训练深度卷积神经网络，以预测0到1之间的质量分数。质量标签的生成是通过将面部图像与最佳质量图像的模板进行比较，然后基于相似性评估归一化分数来完成的。
2018-11-11 cs.CV
Training-Free Synthesized Face Sketch Recognition Using Image Quality Assessment Metrics
人脸素描合成具有广泛的应用范围，从数字娱乐到执法。客观图像质量评价分数和人脸识别准确率是评价合成性能的两个主要工具。本文提出了一种基于全参考图像质量评价指标的合成人脸素描识别框架。四个国家的最先进的方法生成的合成草图被用来测试所提出的识别框架的性能。在图像质量评价指标方面，采用了经典的结构化相似性指标和视觉信息保真度、特征相似性指标和梯度幅值相似性偏差三种常用的图像质量评价指标。大量的实验与基线方法相比，说明了所提出的合成人脸素描识别框架的有效性。本文中的数据和实现代码可以在www.ihitworld.com/WNN/IQA_Sketch.zip上获得。
2016-03-25 cs.CV
UFQA: Utility guided Fingerphoto Quality Assessment
West Virginia University（西弗吉尼亚大学）
针对手指照片质量评估难题，提出自监督双编码器框架UFQA，结合效用与局部质量训练，优于NFIQ2.2等现有方法。
2024-07-15 cs.CV
Face Image Quality Assessment: A Literature Survey
Hochschule Darmstadt（达姆施塔特应用技术大学）；Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；European Commission, Joint Research Center（欧盟委员会联合研究中心）；Universidad Autonoma de Madrid（马德里自治大学）
人脸分析和识别系统的性能取决于所获取的人脸数据的质量，而人脸数据的质量又受到许多因素的影响。因此，根据生物计量效用自动评估面部数据的质量可以用于检测低质量数据并相应地做出决策。这项调查提供了一个概述的人脸图像质量评估文献，主要集中在可见光波长的人脸图像输入。观察到基于深度学习的方法的趋势，包括最近的方法之间的显着概念差异，例如将质量评估集成到人脸识别模型中。除了图像选择之外，面部图像质量评估还可以用于本文所讨论的各种其他应用场景中。指出了有待解决的问题和挑战。强调了算法评估可比性的重要性，以及未来工作的挑战，即创建除了提供准确的效用预测之外还可解释的深度学习方法。
2021-10-25 cs.CV
Attention Down-Sampling Transformer, Relative Ranking and Self-Consistency for Blind Image Quality Assessment
King Fahd University of Petroleum and Minerals（法赫德国王石油与矿业大学）；SDAIA-KFUPM Joint Research Center for Artificial Intelligence（沙特数据与人工智能局-法赫德国王石油与矿业大学人工智能联合研究中心）
该研究针对无参考图像质量评估任务，结合注意力下采样Transformer与CNN提取多尺度特征，引入相对排序强化主客观评估关联，提出自一致性自监督方法提升模型鲁棒性，在多个数据集上取得SOTA性能，小数据集优势更明显。
2024-09-11 cs.AI cs.CV cs.LG
On color image quality assessment using natural image statistics
University of Mohammed V-Agdal（穆罕默德五世大学阿格达勒分校）；University of Burgundy（勃艮第大学）
颜色失真会对视觉质量感知造成严重损害，然而，现有的减少参考质量度量大多是针对灰度图像设计的。在本文中，我们考虑一个基本的扩展著名的图像统计为基础的质量评估措施的彩色图像。为了评估颜色信息对测量效率的影响，研究了两种颜色空间：RGB和CIELAB。使用TID 2013基准进行的广泛评估的结果表明，当使用CIELAB颜色表示时，可以针对大量失真类型实现显著改善。
2014-11-27 cs.CV
CG-DIQA: No-reference Document Image Quality Assessment Based on Character Gradient
ZhongAn Information Technology Service Co., Ltd.（众安信息技术服务有限公司）
文档图像质量评价是一个重要而又具有挑战性的实际应用问题。为了预测文档图像的质量分数，提出了一种新的基于字符梯度的无参考DIQA方法，其中OCR精度被用作地面真实质量度量。字符梯度的计算与最大稳定极值区域（MSER）的方法检测到的字符补丁。字符块对于字符识别是非常重要的，因此适合用于评估文档图像质量。在基准数据集上的实验表明，该方法在估计文档图像质量分数方面优于现有方法。
2018-07-11 cs.CV
On the Use of Deep Learning for Blind Image Quality Assessment
University of Milano-Bicocca（米兰比可卡大学）
在这项工作中，我们研究了使用深度学习的失真通用盲图像质量评估。我们报告了不同的设计选择，从使用从预训练的卷积神经网络（CNN）中提取的特征作为通用图像描述，到使用从针对图像质量任务进行微调的CNN中提取的特征。我们最好的建议，名为DeepBIQ，通过平均池化原始图像多个子区域的预测分数来估计图像质量。每个子区域的得分是使用支持向量回归（SVR）机计算的，该支持向量回归机将使用针对基于类别的图像质量评估而微调的CNN提取的特征作为输入。在LIVE In the Wild图像质量挑战数据库和LIVE图像质量评估数据库上的实验结果表明，DeepBIQ的性能优于最先进的方法，与人类主观评分的线性相关系数（LCC）分别接近0.91和0.98。此外，在大多数情况下，DeepBIQ的质量分数预测比一般人类观察者更接近平均观察者。
2017-04-04 cs.CV
