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
Robust statistics and no-reference image quality assessment in Curvelet domain
Universidade Federal do Espírito Santo（圣埃斯皮里图联邦大学）
本文利用鲁棒统计和曲波变换来学习一种通用的无参考（NR）图像质量评价（IQA）模型。新方法，这里称为M1，与2014年提出的Curvelet质量评估（Curvelet 2014）竞争。其核心思想是使用基于鲁棒统计的描述符来提取特征并预测人类对退化图像的看法。为了证明该方法的一致性，该模型使用3个不同的数据集进行测试，LIVE IQA，TID 2013和CSIQ。为了检验评价，使用Wilcoxon检验来验证结果的统计学显著性，并促进新型号M1和Curvelet 2014之间的准确比较。结果表明，增益时，鲁棒统计作为描述符。
2019-02-11 cs.CV
Rank-based No-reference Quality Assessment for Face Swapping
University of Science and Technology of China（中国科学技术大学）；Tencent AI Lab（腾讯AI实验室）；Tencent Youtu Lab（腾讯优图实验室）
本研究提出一种专门针对人脸交换的新型无参考图像质量评估方法，通过构建大规模数据集、基于多面部属性排名及Siamese网络实现粗细粒度的最先进评估性能，并有效提升了人脸交换模型在表情和姿态上的表现。
2024-06-04 cs.CV
Full-reference image quality assessment-based B-mode ultrasound image similarity measure
Pierre and Marie Curie University（皮埃尔和玛丽居里大学）；ESPCI Paris, PSL Research University（巴黎高等物理化工学院，巴黎文理研究大学）；National University of Defense Technology（国防科技大学）；Peking University（北京大学）；Sun Yat-Sen University（中山大学）
在过去的几十年中，新的全参考图像质量评估算法的数量急剧增加。然而，尽管已经取得了显着的进展，医学超声图像的相似性测量仍然在很大程度上没有解决，由于高水平的斑点噪声污染。超声图像相似性度量的潜在应用在几个方面似乎是显而易见的。超声图像质量评价、异常功能区域检测等。本文对超声图像视觉结构相似性度量的全参考图像质量评价方法进行了比较研究。此外，基于图像相似性指数，通用的超声运动跟踪重新初始化框架，在这项工作中。在合成数据和真实超声肝脏数据上进行了实验，结果表明，在超声肝脏序列中，基于相似性的跟踪重新初始化方法可以将界标跟踪的平均误差从2 mm降低到1.5 mm左右。
2017-01-17 cs.CV
No-Reference Quality Assessment of Contrast-Distorted Images using Contrast Enhancement
无参考图像质量评价（NR-IQA）是指在无参考图像的情况下对图像质量进行评价。然而，对比度失真是目前NR-IQA研究中所忽视的问题。在本文中，我们提出了一个非常简单，但有效的指标预测对比度改变的图像的质量的基础上，一个高对比度的图像往往是更相似的对比度增强图像。具体来说，我们首先通过直方图均衡化生成增强图像。然后利用结构相似性指数（SSIM）作为第一特征，计算原始图像和增强图像的相似度。进一步，我们分别计算原始图像和增强图像之间的基于直方图的熵和交叉熵，得到4个特征之和。最后，我们学习了一个回归模块来融合上述5个特征来推断质量分数。在四个公开数据库上的实验验证了该方法的优越性和有效性。
2019-04-18 cs.CV
No-reference image quality assessment through the von Mises distribution
Instituto de Óptica (CSIC)（西班牙高等科学研究委员会光学研究所）
提出了一种计算图像熵的冯米塞斯分布（VMD）的新方法。VMD的浓度参数和一些适应度参数，将在后面定义，已在实验部分进行了分析，以确定其适用性作为图像质量评估措施，在一些特定的失真，如高斯模糊或加性高斯噪声。为了实现这样的测量，在四个等间隔的方向上计算局部Rényi熵，并用于确定图像熵的von Mises分布的参数。考虑上下文图像，应用该模型后的实验结果表明，最佳聚焦无噪声图像与冯米塞斯分布浓度参数的最高值和图像数据对冯米塞斯分布模型的最高近似值相关联。我们定义的von Misses健身参数实验也出现作为一个合适的无参考图像质量评估指标，无上下文图像。
2012-02-14 cs.CV
Cross-Domain Underwater Image Enhancement Guided by No-Reference Image Quality Assessment: A Transfer Learning Approach
本文提出Trans-UIE模型，通过预训练和迁移学习解决水下图像增强中的领域偏差和数据稀缺问题，利用无参考图像质量评估指标引导跨域增强，减少过拟合风险。
2026-03-24 cs.CV
Reference-Free Image Quality Assessment for Virtual Try-On via Human Feedback
ZOZO Research（ZOZO研究所）；ZOZO Inc.（ZOZO公司）；Keio University（庆应义塾大学）
提出无参考框架VTON-IQA，通过构建大规模人工标注数据集VTON-QBench，实现与人类感知对齐的虚拟试穿图像质量评估。
2026-07-01 cs.CV
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
RankIQA: Learning from Rankings for No-reference Image Quality Assessment
Computer Vision Center（计算机视觉中心）；University of Florence（佛罗伦萨大学）
我们提出了一个无参考图像质量评估（NR-IQA）的方法，从排名（RankIQA）学习。为了解决IQA数据集大小有限的问题，我们训练一个暹罗网络，通过使用相对图像质量已知的合成生成的失真来根据图像质量对图像进行排名。这些排名的图像集可以自动生成，而无需费力的人工标记。然后，我们使用微调将训练好的暹罗网络中表示的知识转移到传统的CNN中，该CNN从单个图像中估计绝对图像质量。我们展示了我们的方法如何比传统的暹罗网络更有效，通过单个网络向前传播一批图像，并从该批图像中的所有图像对中反向传播梯度。在TID 2013基准测试上的实验表明，我们将最先进的技术提高了5%以上。此外，在LIVE基准测试中，我们证明了我们的方法优于现有的NR-IQA技术，并且我们甚至在完全参考IQA（FR-IQA）方法中优于最先进的方法，而无需诉诸高质量的参考图像来推断IQA。
2017-07-26 cs.CV
A statistical reduced-reference method for color image quality assessment
University Mohammed V-Agdal（穆罕默德五世大学阿格达尔分校）；University Ibn Zohr（伊本·佐赫尔大学）；University of Burgundy（勃艮第大学）
虽然颜色是人类视觉感知的基本特征，但在减少参考（RR）图像质量评估（IQA）方案中，颜色在很大程度上未被探索。在本文中，我们提出了一个自然场景统计（NSS）的方法，有效地利用这些信息。它是基于参考彩色图像和退化图像的可操纵金字塔系数之间的统计偏差。我们提出并分析了多元广义高斯分布（MGGD）模型的基本统计。为了量化的退化，我们开发和评估两个措施的基础上，分别在两个MGGD之间的测地线距离和封闭形式的Kullback Leibler分歧。我们使用TID 2008基准和FRTV第一阶段验证过程在各种颜色空间（RGB，HSV，CIELAB和YCrCb）中对这两个指标进行了广泛的评估。实验结果表明，该框架的有效性，以实现良好的一致性与人类的视觉感知。最后，结合KLD偏差测度，得到了CIELAB颜色空间下的最佳配置。
2014-11-27 cs.CV
Active View Selector: Fast and Accurate Active View Selection with Cross Reference Image Quality Assessment
Active Vision Lab（主动视觉实验室）；Visual Geometry Group（视觉几何组）
本文将3D主动视图选择重构为2D图像质量评估任务，基于CrossScore框架训练模型预测多视图SSIM来指导选择，在标准基准上实现显著改进，对3D表示不可知且速度提升14-33倍。
2025-06-24 cs.CV
Revisiting Vision Language Foundations for No-Reference Image Quality Assessment
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）
本文系统评估了六个预训练模型在无参考图像质量评估中的表现，发现SigLIP2性能优异，且激活函数选择对模型泛化能力影响显著，引入可学习的激活选择机制，达到新状态的SRCC。
2026-03-14 cs.CV
Preference-Guided Debiasing for No-Reference Enhancement Image Quality Assessment
Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（图像通信与网络工程研究所，上海交通大学）
本文提出一种基于偏好引导的无参考增强图像质量评估方法，通过学习连续增强偏好嵌入空间并去除增强诱导的干扰成分，提升模型对算法不变感知质量的识别能力。
2026-03-20 cs.CV
Full Reference Objective Quality Assessment for Reconstructed Background Images
Arizona State University（亚利桑那州立大学）
随着对需要干净背景图像的应用（例如视频监视、对象跟踪、街景成像和基于网络的地图上的基于位置的服务）的兴趣增加，已经开发了多种算法来从杂乱场景重建背景图像。传统上，统计测量和现有的图像质量技术已被应用于评估重建的背景图像的质量。虽然这些质量评估方法在过去已经被广泛使用，但它们在评估重建背景图像的感知质量方面的性能尚未得到验证。在这项工作中，我们讨论了现有的指标的缺点，并提出了一个完整的参考重建背景图像质量指数（RBQI），结合颜色和结构信息在多个尺度上使用概率求和模型来预测在重建的背景图像给定的参考图像的感知质量。为了比较所提出的质量指标与现有的图像质量评估措施的性能，我们构建了两个不同的数据集，包括重建的背景图像和相应的主观分数。通过将其客观分数与人类主观评级相关联来评估质量评估措施。相关结果表明，所提出的RBQI优于所有现有的方法。此外，构建的数据集和相应的主观分数提供了一个基准，以评估未来的指标，开发评估重建的背景图像的感知质量的性能。
2018-04-11 cs.CV
Related Work on Image Quality Assessment
由于视觉信号在采集、压缩、传输和显示的各个阶段都存在质量下降，图像质量评价（IQA）在基于图像的应用中起着至关重要的作用。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）。本文将回顾最先进的图像质量评估算法。
2022-04-13 cs.CV eess.IV
PR-IQA: Partial-Reference Image Quality Assessment for Diffusion-Based Novel View Synthesis
Dongguk University（东国大学）；NAVER WEBTOON AI
PR-IQA通过部分参考图像评估扩散生成的视角合成图像质量，提升3D重建效果，无需真实地面真值。
2026-04-07 cs.CV
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
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
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
Non-Aligned Reference Image Quality Assessment for Novel View Synthesis
Sony Interactive Entertainment（索尼互动娱乐）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对新视角合成（NVS）图像缺乏像素对齐真实参考时的质量评估难题，提出非对齐参考（NAR-IQA）框架，构建含时间感兴趣区域（TROI）合成失真的数据集，基于对比学习融合LoRA增强的DINOv2嵌入，仅用合成失真训练提升泛化能力，性能优于现有方法且与人类主观评分高度相关。
2025-11-11 cs.CV
Mask Reference Image Quality Assessment
Beijing University Posts and Telecommunications（北京邮电大学）
理解语义信息是了解在全参考（FR）和无参考（NR）图像质量评估（IQA）方法中学习到的内容的重要步骤。然而，特别是对于许多严重失真的图像，即使有一个未失真的图像作为参考（FR-IQA），它是难以感知的失真图像直接丢失的语义和纹理信息。在本文中，我们提出了一个掩模参考IQA（MR-IQA）方法，掩模特定补丁的失真图像和补充丢失的补丁与参考图像补丁。这样，我们的模型只需要输入重建图像进行质量评估。首先，我们设计了一个掩码生成器，从参考图像中选择最佳的候选块，补充失真图像中丢失的语义信息，从而为质量评估提供更多的参考;此外，不同的掩码块意味着不同的数据增强，这有利于模型训练和减少过拟合。其次，我们提供了一个掩模参考网络（MRNet）：专用模块可以防止由于掩模补丁的干扰，并帮助消除补丁不连续的重建图像。我们的方法在基准KADID-10 k，LIVE和CSIQ数据集上实现了最先进的性能，并且在数据集上具有更好的泛化性能。代码和结果见补充材料。
2023-03-19 cs.CV eess.IV
MSTRIQ: No Reference Image Quality Assessment Based on Swin Transformer with Multi-Stage Fusion
ByteDance Inc（字节跳动公司）
由于图像质量在图像采集、传输、增强等过程中会发生劣化，因此自动测量图像的感知质量是计算机视觉领域的一项重要任务。许多图像质量评估（IQA）算法已经被设计来解决这个问题。然而，由于各种类型的图像失真和缺乏大规模的人类评级数据集，它仍然没有得到解决。在本文中，我们提出了一种基于Swin Transformer [31]的新算法，该算法具有多个阶段的融合特征，它聚合了来自局部和全局特征的信息，以更好地预测质量。为了解决小规模数据集的问题，考虑了图像的相对排名以及回归损失，以同时优化模型。此外，有效的数据增强策略也被用来提高性能。与以往的工作相比，实验进行了两个标准的IQA数据集和挑战数据集。结果证明了我们工作的有效性。所提出的方法在标准数据集上优于其他方法，并在NTIRE 2022感知图像质量评估挑战赛的无参考轨道中排名第二[53]。实验结果表明，该方法在解决各种IQA问题上具有良好的应用前景。
2022-05-23 cs.CV
CrossScore: Towards Multi-View Image Evaluation and Scoring
提出一种基于交叉注意力机制的交叉参考图像质量评估方法 CrossScore，通过比较同一场景的多视图，在无需真实参考图像的情况下实现了与 SSIM 高度相关的准确评估，填补了新视图合成等任务中的评估空白。
2024-07-23 cs.CV
Learning Conditional Knowledge Distillation for Degraded-Reference 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）；University of Rochester（罗切斯特大学）
图像质量评价的一个重要方面是对图像恢复算法的评价。国家的最先进的方法采用了一个完整的参考范例，比较恢复的图像与其相应的原始质量的图像。然而，原始质量的图像通常是不可用的盲图像恢复任务和现实世界的情况下。在本文中，我们提出了一个实用的解决方案命名为退化参考IQA（DR-IQA），它利用输入的IR模型，退化图像，作为参考。具体来说，我们提取参考信息从退化的图像提取知识的原始质量的图像。蒸馏是通过学习参考空间来实现的，其中鼓励各种退化图像与原始质量图像共享相同的特征统计数据。并且参考空间被优化以捕获对质量评估有用的深度图像先验。请注意，原始质量的图像仅在训练期间使用。我们的工作为盲IR，特别是基于GAN的方法提供了一个强大且可区分的度量。大量的实验表明，我们的结果甚至可以接近全参考设置的性能。
2021-08-18 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
Multi-pooled Inception features for no-reference image quality assessment
图像质量评估（IQA）是从自动视频流到显示技术的广泛应用的重要组成部分。此外，图像质量的测量需要对图像内容和特征进行平衡的调查。我们提出的方法通过将全局平均池（GAP）层附加到ImageNet数据库预训练卷积神经网络（CNN）的多个Inception模块来提取视觉特征。与以前的方法相比，我们不从输入图像中获取补丁。相反，输入图像被视为一个整体，并通过预训练的CNN主体来提取分辨率无关的多级深度特征。因此，我们的方法可以很容易地推广到任何输入图像大小和预训练的CNN。因此，我们提出了一个详细的参数研究方面的CNN基础架构和不同的深度功能的有效性。我们证明，我们最好的建议-称为MultiGAP-NRIQA -是能够提供国家的最先进的三个基准IQA数据库的结果。此外，这些结果也在使用LIVE In the Wild Image Quality Challenge数据库的交叉数据库测试中得到了证实。
2020-11-10 cs.CV
A Lightweight Global-Target Framework for Multi-Domain No-Reference Image Quality Assessment in UAV Imagery
Department of Mechatronic Engineering, Institute for Basic Sciences, Technology and Innovation, Pan African University (PAUSTI)（机械电子工程系，基础科学、技术与创新研究所，泛非大学）；Department of Mechatronic Engineering, Jomo Kenyatta University of Agriculture and Technology (JKUAT)（机械电子工程系，乔莫·肯雅塔农业与技术大学）；College of Science and Technology, University of Rwanda（科学与技术学院，卢旺达大学）
本文提出MM-IQA框架，通过结合多种可解释的图像质量指标，实现快速无参考图像质量评估，适用于无人机影像处理。
2026-09-09 cs.CV
Hierarchical Graph Attention Network for No-Reference Omnidirectional Image Quality Assessment
针对全景图像局部非均匀失真评估难题，提出基于图神经网络的OIQA框架，结合Fibonacci球面采样、GAT与图transformer全面建模视口间空间依赖，显著提升评估性能与泛化能力。
2025-08-13 cs.CV
Image Quality Assessment for Omnidirectional Cross-reference Stitching
Beihang University（北京航空航天大学）；National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台）
随着虚拟现实技术的发展，全方位图像在制作具有沉浸式体验的多媒体内容方面发挥着重要作用。然而，尽管各种现有的方法，全方位图像拼接，如何定量评估拼接图像的质量仍然是不够的探索。为了解决这个问题，我们建立了一个新的全向图像数据集，包含拼接图像以及从标准四分之一的0 $^\circ$，90 $^\circ$，180 $^\circ$和270 $^\circ$捕获的双鱼眼图像。以此方式，当评估从一对鱼眼图像拼接的图像的质量时（例如，0 $^\circ$和180 $^\circ$），另一对鱼眼图像（例如，90 $^\circ$和270 $^\circ$）可用作交叉参考，以提供拼接区域的地面实况观察。基于这个数据集，我们进一步基准测试了六个广泛使用的拼接模型，并为IQA提供了七个评估指标。据我们所知，这是第一个专注于评估全向图像拼接质量的数据集。
2019-04-23 cs.CV
No-Reference Image Quality Assessment via Feature Fusion and Multi-Task Learning
Carnegie Mellon University（卡内基梅隆大学）
盲或无参考图像质量评估（NR-IQA）是一个基本的，未解决的，但由于参考图像的不可用性具有挑战性的问题。它对每天影响数十亿观众的流媒体和社交媒体行业至关重要。虽然以前的NR-IQA方法利用不同的特征提取方法，性能瓶颈仍然存在。在本文中，我们提出了一个简单而有效的通用无参考（NR）图像质量评估（IQA）框架的基础上多任务学习。我们的模型采用失真类型以及主观人类分数来预测图像质量。我们提出了一种特征融合的方法，利用失真信息，以提高质量分数估计任务。在我们的实验中，我们证明，通过利用多任务学习和我们提出的特征融合方法，我们的模型产生更好的性能为NR-IQA任务。为了证明我们的方法的有效性，我们在七个标准数据集上测试了我们的方法，并表明我们在各种数据集上获得了最先进的结果。
2020-06-06 cs.CV eess.IV
RAN4IQA: Restorative Adversarial Nets for No-Reference Image Quality Assessment
Cooperative Medianet Innovation Center（协同媒体创新中心）；Key Laboratory of Machine Perception (MoE), School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院机器感知重点实验室（教育部））；Key Laboratory of Intelligent Information Processing of Chinese Academy of Sciences (CAS)（中国科学院智能信息处理重点实验室）；Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
受自由能大脑理论的启发，该理论意味着人类视觉系统（HVS）倾向于在看到失真图像时减少不确定性并恢复感知细节，我们提出了恢复性对抗网络（RAN），这是一种基于GAN的无参考模型图像质量评估（NR-IQA）。RAN模拟了HVS的过程，由三个部分组成：一个计算器，一个计算器和一个评估器。复原器恢复和重建输入的失真图像块，而复原器将重建的块与原始的无失真块区分开。恢复后，我们观察到恢复和失真的补丁之间的感知距离是单调的失真水平。基于这种现象，我们进一步定义了恢复增益（GoR）。评估器通过从失真和恢复的补丁中提取特征表示来预测感知分数以测量GoR。最后，输入图像的质量得分估计的补丁得分的加权和。在Waterloo Exploration、LIVE和TID 2013上的实验结果表明，与现有的NR-IQA模型相比，RAN具有更好的泛化能力。
2017-12-14 cs.CV
Full-reference image quality assessment by combining global and local distortion measures
University of Windsor（温莎大学）
全参考图像质量评估（FR-IQA）技术比较参考图像和失真/测试图像，并根据表示客观分数的标量值来预测测试图像的感知质量。FR-IQA技术的评价是通过比较客观分数的技术与主观分数（从人类观察者获得）提供的图像数据库中用于IQA。因此，我们合理地假设人类观察者的目标是对测试图像中存在的失真进行评级。面向目标的任务由人类视觉系统（HVS）通过自上而下的处理来处理，该处理主动搜索由目标驱动的局部失真。因此，图像中的局部失真测量对于自顶向下处理是重要的。与此同时，自下而上的加工也发生在HVS中，这意味着自发的视觉功能。为了解决这个问题，可以使用全局感知特征。因此，我们假设，所得到的图像的客观分数可以从局部和全局失真的措施计算的参考和测试图像的组合。我们通过从梯度和对比度信息测量局部相关性差来计算局部失真。对于全局失真，使用从显著性的自下而上模型计算的显著性图的相异性。所提出的方法背后的动机进行了彻底的讨论，伴随着直观的分析。最后，在六个基准数据库中进行实验，表明所提出的方法的有效性，实现竞争力的性能与国家的最先进的方法提供了一个整体性能的改善。
2014-12-17 cs.CV
Can No-Reference Quality-Assessment Methods Serve as Perceptual Losses for Super-Resolution?
Lomonosov Moscow State University（莫斯科罗蒙诺索夫大学）
本文研究将无参考图像质量评估方法作为感知损失直接优化视频超分辨率模型，发现直接优化会产生伪影，但特殊训练流程可缓解此问题。
2024-05-30 cs.CV eess.IV
Contrastive Local Manifold Learning for No-Reference Image Quality Assessment
School of Information and Electronics, Beijing Institute of Technology（信息与电子学院，北京理工大学）；School of Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Xiamen University（多媒体可信感知与高效计算学院，厦门大学）；YouTu Laboratory, Tencent Company（YouTu实验室，腾讯公司）
针对IQA忽略局部流形结构导致判别力不足的问题，提出结合局部流形学习与对比学习的无参考方法LML-IQA，通过显著区域正负样本构建及互学习策略，在多个基准上显著超越现有方法。
2025-10-13 cs.CV
Toward Generalized Image Quality Assessment: Relaxing the Perfect Reference Quality Assumption
The Hong Kong Polytechnic University（香港理工大学）；City University of Hong Kong（香港城市大学）；OPPO Research Institute（OPPO研究院）
针对传统全参考图像质量评估中参考图完美质量假设的缺陷，构建含18万张图像的DiffIQA数据库，提出自适应融合保真度与自然度的A-FINE模型，在多个基准上性能优于标准模型。
2025-03-19 cs.CV
An Attention-Driven Approach of No-Reference Image Quality Assessment
Peking University（北京大学）；North Carolina State University（北卡罗来纳州立大学）
在本文中，我们提出了一种新的方法，无参考图像质量评估（NR-IQA），这是预测的感知质量分数的给定图像，而不使用任何参考图像。所提出的方法利用三个功能（i）视觉注意力机制，它影响视觉感知的许多方面，包括图像质量评估，然而，在NR-IQA文献中被忽视。该方法假设图像上的注视区域包含IQA过程的关键信息。(ii)鲁棒平均策略，这是一种由心理学研究支持的方法，用于整合多个/逐步证据以做出最终的感知判断。(iii)多任务学习被认为是形成表示学习的有效手段，并可能导致更普遍的模型。为了利用三者的协同作用，我们将NR-IQA视为一个动态感知过程，其中模型对一系列“信息”区域进行采样，并汇总信息以学习联合预测图像质量分数和失真类型的任务的表示。模型学习通过强化策略实现，其中两个任务的奖励引导学习最优采样策略以获取“任务信息”图像区域，从而可以准确有效地进行预测（就采样步骤而言）。强化学习通过具有策略梯度方法的深度网络实现，并通过反向传播进行训练。在实验中，该模型在TID 2008数据集上进行了测试，其性能优于几种最先进的方法。此外，该模型是非常有效的意义上说，少量的固定使用NR-IQA。
2017-05-29 cs.CV
No reference image quality assessment metric based on regional mutual information among images
Thapar Institute of Engineering and Technology（塔帕尔工程技术学院）；Oxford Brookes University（牛津布鲁克斯大学）
随着照相机在日常生活中的广泛应用，需要一种自动的无参考的图像质量评价指标对图像进行自动分类。本文提出了一种新的基于无参考区域互信息的图像质量评价方法。我们使用区域互信息的子集的完整的图像。所提出的技术进行了测试，在四个基准的自然图像数据库，和一个基准的合成数据库。与经典和国家的最先进的方法的比较分析表明，本技术的优越性，高品质的图像和相应的数据库的其他图像相媲美。
2023-01-14 cs.CV eess.IV
No-Reference Image Quality Assessment by Hallucinating Pristine Features
City University of Hong Kong（香港城市大学）；University of Missouri-Kansas City（密苏里大学堪萨斯城分校）
在本文中，我们提出了一种无参考（NR）图像质量评价（IQA）方法通过特征级伪参考（PR）幻觉。所提出的质量评估框架是基于自然图像统计行为的先验模型，并植根于这样一种观点，即感知有意义的功能可以很好地利用来表征视觉质量。在这里，PR特征从失真的图像学习的一个相互学习计划与原始参考作为监督，和PR特征的判别特性，进一步确保与三元组约束。给定用于质量推断的失真图像，使用可逆神经层执行特征级解纠缠以用于最终质量预测，从而产生PR和对应的失真特征以用于比较。我们所提出的方法的有效性证明了四个流行的IQA数据库，跨数据库评估的优越性能也揭示了我们的方法的高泛化能力。我们的方法的实现可在https://github.com/Baoliang93/FPR上公开获得。
2022-09-02 cs.CV eess.IV
Comparison-based Image Quality Assessment for Parameter Selection
University of Virginia（弗吉尼亚大学）
传统的图像质量评价（IQA）根据是否需要原始图像分为全参考（FR）IQA和无参考（NR）IQA。尽管NR-IQA在实际应用中得到了广泛的应用，但由于缺乏参考图像，仍存在改进的空间。在许多应用中，如参数选择，一系列失真的图像是可用的，受此启发，作者提出了一种新的基于比较的图像质量评估（C-IQA）方法。新的基于比较的框架通过需要两个输入图像与FR-IQA并行，并且通过不使用原始图像与NR-IQA相似。因此，新的基于比较的方法比FR-IQA具有更多的应用场景，并且比传统的单输入NR-IQA更好地利用可访问的信息。此外，C-IQA与其他国家的最先进的NR-IQA方法在两个广泛使用的IQA数据库进行了比较。实验结果表明，C-IQA在参数选择上优于其他NR-IQA方法，结合C-IQA的参数裁剪框架可节省80%的迭代图像重建计算量。
2016-01-18 cs.CV
Learning Generalizable Perceptual Representations for Data-Efficient No-Reference Image Quality Assessment
Indian Institute of Science（印度科学学院）
提出GRepQ，结合质量感知对比学习的低层特征与微调视觉-语言模型的高层语义特征，以极少标注乃至零样本实现可泛化的无参考图像质量评估。
2023-12-08 cs.CV
Less is More: Learning Reference Knowledge Using No-Reference Image Quality Assessment
Xiamen University（厦门大学）；Peng Cheng Laboratory（鹏城实验室）；Beijing Institute of Technology（北京理工大学）；Tencent Youtu Lab（腾讯云图实验室）；Ocean University of China（中国海洋大学）
本文提出一种在无参考图像质量评估中通过特征蒸馏从非对齐参考图像学习比较知识的新框架，并引入归纳偏置正则化，以更少输入在八个标准数据集上取得超越现有方法的性能。
2023-12-01 cs.AI cs.CV
Degraded Reference Image Quality Assessment
University of Waterloo（滑铁卢大学）
在实际的媒体分发系统中，视觉内容通常沿着交付链经历多个阶段的质量降级，但是原始源内容很少在沿着链的大多数质量监测点处可用以用作质量评估的参考。因此，全参考（FR）和减少参考（RR）图像质量评估（IQA）方法通常是不可行的。虽然无参考（NR）方法很容易应用，但它们的性能往往不可靠。另一方面，质量下降的中间参考通常是可用的，例如，在视频转码器的输入端，但如何以适当的方式充分利用它们还没有得到深入的研究。在这里，我们第一次尝试建立一个新的范式命名为退化参考IQA（DR IQA）。具体来说，我们奠定了DR IQA的架构，并引入了一个6位代码来表示配置的选择。我们构建了第一个专门用于DR IQA的大型数据库，并将其公开提供。通过全面分析五种多重失真组合，我们对多级失真管道中的失真行为进行了新的观察。基于这些观察，我们开发了新的DR IQA模型，并与一系列来自性能最好的FR和NR模型的基线模型进行了广泛的比较。结果表明，DR IQA可以提供显着的性能改善在多失真环境中，从而建立DR IQA作为一个有效的IQA范式，值得进一步探索。
2021-10-28 cs.CV eess.IV
MANIQA: Multi-dimension Attention Network for No-Reference Image Quality Assessment
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
无参考图像质量评估（NR-IQA）旨在根据人类的主观感知来评估图像的感知质量。不幸的是，现有的NR-IQA方法远远不能满足预测基于GAN的失真图像的准确质量分数的需求。为此，我们提出了用于无参考图像质量评估（MANIQA）的多维注意力网络，以提高基于GAN的失真的性能。我们首先通过ViT提取特征，然后为了加强全局和局部的相互作用，我们提出了转置注意块（TAB）和尺度Swin Transformer块（SSTB）。这两个模块分别在通道和空间维度上应用注意力机制。在这种多维方式中，模块合作地增加图像的不同区域之间的全局和局部的交互。最后，一个双分支结构的补丁加权质量预测被应用到预测的最终得分取决于每个补丁的得分的权重。实验结果表明，MANIQA在四个标准数据集（LIVE，TID 2013，CSIQ和KADID-10 K）上的性能大大优于最先进的方法。此外，我们的方法在NTIRE 2022感知图像质量评估挑战赛第2道：无参考的最终测试阶段排名第一。代码和模型可在https://github.com/IIGROUP/MANIQA上获得。
2022-04-21 cs.CV eess.IV
No-reference Screen Content Image Quality Assessment with Unsupervised Domain Adaptation
City University of Hong Kong（香港城市大学）；Kingsoft Cloud（金山云）
在本文中，我们寻求将自然场景图像的质量转移到不由光学相机获取的图像（例如，屏幕内容图像（screen content images，SCI），植根于广泛接受的观点，即人类视觉系统通过对自然环境的感知而适应和进化。在这里，我们开发了第一个无监督的领域自适应为基础的无参考质量评估方法的SCI，利用丰富的主观评级的自然图像（NI）。通常，将质量预测模型从NI直接转移到新类型的内容（即，SCIs），具有显著不同的统计特征。受成对关系的可转移性的启发，所提出的质量度量基于同时提高可转移性和可辨别性的哲学来操作。特别是，我们引入了三种类型的损失，其互补性和明确地以渐进的方式正则化的特征空间的排名。关于特征区分能力的增强，我们提出了一个基于中心的损失，以纠正分类器，提高其预测能力，不仅对源域（NI），而且对目标域（SCI）。对于特征差异最小化，最大平均差异（MMD）施加在提取的NI和SCI的排名特征上。此外，为了进一步提高特征的多样性，我们引入了不同特征维度之间的相关惩罚，导致具有较低秩和较高多样性的特征。实验结果表明，该方法基于一个轻量级卷积神经网络，在不同的源目标设置上都能获得更高的性能。所提出的方法还揭示了学习质量评估措施看不见的应用程序特定的内容，没有繁琐和成本的主观评价。
2021-05-26 cs.CV
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
Learning a No-Reference Quality Assessment Model of Enhanced Images With Big Data
Beijing University of Technology（北京工业大学）；University of Sydney（悉尼大学）；Nanyang Technological University（南洋理工大学）
在本文中，我们研究的问题，图像质量评估（IQA）和增强通过机器学习。这个问题长期以来在计算智能和图像处理领域引起了广泛的关注，因为对于许多实际应用，例如目标检测和识别，通常需要对原始图像进行适当的增强以提高视觉质量（例如可见度和对比度）。事实上，适当的增强可以显著地改善输入图像的质量，甚至比通常被认为是最佳质量的原始捕获图像更好。在这项工作中，我们提出了两个最重要的贡献。第一个贡献是开发一个新的无参考（NR）IQA模型。给定一幅图像，我们的质量度量首先通过分析对比度、清晰度、亮度等来提取17个特征，然后使用回归模块来产生视觉质量度量，该回归模块是用比相关图像数据集大得多的大数据训练样本来学习的。九个数据集上的实验结果验证了我们的盲度量的优越性和效率相比，典型的国家的最先进的全，减少和无参考IQA方法。第二个贡献是建立了一个基于质量优化的鲁棒图像增强框架。对于一幅输入图像，在所提出的NR-IQA测度的指导下，我们进行直方图修正，依次将图像的亮度和对比度校正到适当的水平。实验结果表明，该框架能够很好地增强自然图像、低对比度图像、弱光图像和去雾图像。源代码将在https://sites.google.com/site/guke198701/publications上发布。
2019-04-18 cs.CV
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
SEGA: A Transferable Signed Ensemble Gaussian Black-Box Attack against No-Reference Image Quality Assessment Models
School of Computer Science, the National Key Laboratory for Multimedia Information Processing, National Engineering Research Center of Visual Technology, Peking University（计算机科学学院、多媒体信息处理国家级重点实验室、视觉技术工程研究中心、北京大学）；College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院、南洋理工大学）；Department of Networked Intelligence, Pengcheng Laboratory（网络智能系、鹏城实验室）
SEGA提出了一种可转移的黑盒攻击方法，通过高斯平滑和集成梯度来提升对无参考图像质量评估模型的攻击效果。
2026-01-29 cs.CV
PromptIQA: Boosting the Performance and Generalization for No-Reference Image Quality Assessment via Prompts
State Key Laboratory of Multimodal Artificial Intelligence Systems, CASIA（中国科学院自动化研究所多模态人工智能系统国家重点实验室）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；OPPO（OPPO公司）
针对现有无参考图像质量评估方法难适配不同场景需求、构建新数据集耗时的问题，提出基于提示的PromptIQA方法，以图像-分数对为提示、结合混合数据集与数据增强训练，无需微调即可适配新需求，性能与泛化性优于SOTA方法。
2024-03-08 cs.CV
A combined full-reference image quality assessment approach based on convolutional activation maps
全参考图像质量评估（FR-IQA）的目标是使用原始的参考图像来预测人类观察者所感知的图像质量。在这项研究中，我们探索了一种新的组合方法，该方法通过从卷积激活图中编译特征向量来预测失真图像的感知质量。更具体地，通过预训练的卷积神经网络运行参考失真图像对，并且将激活图与传统图像相似性度量进行比较。随后，得到的特征向量映射到感知质量分数的帮助下，训练的支持向量回归。一个详细的参数研究，其中所提出的方法的设计选择的理由。此外，我们研究了训练图像的数量和预测性能之间的关系。具体而言，它表明，所提出的方法可以用少量的数据进行训练，以达到高的预测性能。我们最好的建议- ActMapFeat -比较国家的最先进的六个公开可用的基准IQA数据库，如KADID-10 k，TID 2013，TID 2008，MDID，CSIQ，和VCL-FER。具体来说，我们的方法能够显着优于这些基准数据库的最先进的。
2020-12-03 cs.CV eess.IV
Adaptive Hypergraph Convolutional Network for No-Reference 360-degree Image Quality Assessment
University of Science and Technology of China（中国科学技术大学）
在无参考360度图像质量评估（NR 360IQA）中，通过图形对视口之间的交互进行建模的图形卷积网络（GCN）取得了令人印象深刻的性能。然而，流行的基于GCN的NR 360IQA方法受到三个主要限制。首先，它们只使用失真图像的高级特征来回归质量分数，而人类视觉系统（HVS）基于层次特征对图像进行评分。其次，它们通过图形以成对的方式简化了视口之间复杂的高阶交互。第三，在图的构建中，他们只考虑了视口的空间位置，忽略了其内容特征。因此，为了解决这些问题，我们提出了一种用于NR 360 IQA的自适应超图卷积网络，表示为AHGCN。具体来说，我们首先设计了一个多层次的视口描述符，用于从视口中提取层次表示。然后，我们通过超图对视口之间的交互进行建模，其中每个超边连接两个或多个视口。在超图的构造中，我们为每个视区建立了一个基于位置的超边和一个基于内容的超边。两个公共360 IQA数据库上的实验结果表明，我们提出的方法具有明显的优势，比国家的最先进的全参考和无参考IQA模型。
2021-05-19 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
ST360IQ: No-Reference Omnidirectional Image Quality Assessment with Spherical Vision Transformers
Hacettepe University（哈斯特帕大学）；AIST Japan（日本产业技术综合研究所）
全向图像，又名360图像，可以提供身临其境的交互式视觉体验。随着近年来360度图像的普及程度急剧增加，评估360度图像的质量已成为一个令人感兴趣的问题，因为它为捕捉、传输和消费这种新媒体提供了见解。然而，直接适应质量评估方法提出的标准自然图像的全向数据提出了一定的挑战。这些模型需要处理非常高分辨率的数据和由于图像的球形形式而引起的隐式失真。在这项研究中，我们提出了一种无参考360图像质量评估方法。我们提出的ST 360 IQ模型从输入全向图像的显著部分提取切线视口，并采用基于视觉变换器的模块处理显著性选择性补丁/令牌，该模块估计每个视口的质量分数。然后，它汇总这些分数以给出最终的质量分数。我们在两个基准数据集，即OIQA和CVIQ数据集上的实验表明，与最先进的方法相比，我们的方法预测与人类感知的图像质量相关的全向图像的质量。该代码已在https://github.com/Nafiseh-Tofighi/ST360IQ上提供
2023-03-13 cs.CV eess.IV
