RefGC-SR$^2$: Reference-guided Super-Resolution and Refinement of AI Generated Content
CMLab, Chung-Ang University（Chung-Ang 大学 CMLab）；Adobe Research（Adobe 研究院）
针对生成管道中参考图像下采样导致细节丢失和伪影问题，提出RefGC-SR$^2$任务，利用原始高分辨率参考图像同时恢复细节、精炼伪影并提升分辨率，构建首个真实三元组数据生成管道并设计频率感知扩散Transformer模型。
2026-10-07 cs.CV
Geometry-Aware Reference Synthesis for Multi-View Image Super-Resolution
Fudan University（复旦大学）
近来的多视图多媒体应用在高分辨率（HR）视觉体验和存储或带宽约束之间挣扎。因此，本文提出了一种多视点图像超分辨率（MVISR）任务。它旨在提高从同一场景捕获的多视图图像的分辨率。一种解决方案是应用图像或视频超分辨率（SR）方法来从低分辨率（LR）输入视图重建HR结果。然而，这些方法不能处理视图之间的大角度变换，并且不能利用所有多视图图像中的信息。为了解决这些问题，我们提出了MVSRnet，它使用的几何信息提取尖锐的细节，从所有LR多视图，以支持SR LR输入视图。具体而言，MVSRnet中提出的几何感知参考合成模块使用几何信息和所有多视图LR图像来合成像素对齐的HR参考图像。然后，建议的动态高频搜索网络充分利用参考图像中的高频纹理细节SR。在几个基准上的大量实验表明，我们的方法显着提高了国家的最先进的方法。
2022-07-21 cs.CV
Zoom in to the details of human-centric videos
Tsinghua University（清华大学）；The Hong Kong University of Science and Technology（香港科技大学）
对于以人为中心的视频，呈现高分辨率（HR）的人类外观始终是至关重要的。然而，现有的成像设备很难始终捕捉到HR细节。现有的超分辨率算法仅仅考虑图像块的普遍和低层先验，几乎不能缓解这个问题。相比之下，我们的算法通过利用由HR人类外观定义的高级先验来偏向于人体超分辨率。首先，运动分析模块从HR参考视频中提取固有的运动模式以细化低分辨率（LR）序列的姿态估计。此外，人体重建模块将参考帧中的HR纹理映射到3D网格模型上。因此，输入的LR视频得到超分辨率的HR人类序列是在原始LR视频以及很少的HR参考帧的条件下生成的。在现有数据集和混合摄像机采集的真实数据集上的实验表明，与传统方法相比，该方法生成的人体视觉质量更好。
2020-05-27 cs.CV
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
MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution
The Chinese University of Hong Kong（香港中文大学）；Kuaishou（快手）；SmartMore（思谋科技）
基于参考的图像超分辨率（RefSR）通过利用外部参考图像（Ref）在恢复高频细节方面已经显示出有希望的成功。在这个任务中，纹理细节从Ref图像转移到低分辨率（LR）图像根据其点或块式对应。因此，高质量的对应匹配至关重要。还期望在计算上高效。此外，现有的RefSR方法往往忽略LR和Ref图像之间的分布的潜在的大的差异，这损害了信息利用的有效性。在本文中，我们提出了MASA网络RefSR，其中两个新的模块设计来解决这些问题。建议的匹配和提取模块显着降低了计算成本，由粗到细的对应匹配方案。空间自适应模块学习LR和Ref图像之间的分布差异，并以空间自适应的方式将Ref特征的分布重新映射到LR特征的分布。该方案使网络能够鲁棒地处理不同的参考图像。大量的定量和定性实验验证了我们提出的模型的有效性。
2021-06-04 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
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
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
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
NovisVQ: A Streaming Convolutional Neural Network for No-Reference Opinion-Unaware Frame Quality Assessment
本文提出流式无参考且不依赖主观意见的视频质量评估模型NovisVQ，利用DAVIS合成退化训练时序卷积网络预测LPIPS、PSNR、SSIM，性能优于图像基线并与全参考指标相关性高于BRISQUE。
2025-11-06 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
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
A Reference-Free Framework for Evaluating Single-Frame ISP Pipelines
ENS Paris-Saclay（巴黎-萨克兰高等师范学院）；DXOMARK（DXOMARK公司）；Lingnan University（岭南大学）；CFM（CFM机构）；Institut Universitaire de France（法国大学研究院）
该研究针对相机 ISP 管道评估难题，提出无参考学习框架，从处理后的 sRGB 图像及其 ISO 元数据估计全参考图像质量指标，经实验验证其可行性，在估计指标值上优于直接度量回归，与全参考排名一致性更高。
2026-07-28 cs.CV eess.IV
Mean Deviation Similarity Index: Efficient and Reliable Full-Reference Image Quality Evaluator
École de technologie supérieure（高等技术学院）；McGill University（麦吉尔大学）
感知图像质量评价（IQA）在图像采集、图像压缩、图像复原和多媒体通信等图像和视频处理中的应用，导致了许多IQA度量的发展。本文提出了一个可靠的全参考IQA模型，利用梯度相似性（GS），色度相似性（CS）和偏差池（DP）。针对目前常用的GS模型在模拟人类视觉系统（HVS）时存在的不足，提出了一种新的GS模型。我们提出了一个高效和有效的配方来计算的联合相似性图的两个彩色通道测量颜色变化的目的。与文献中常用的配方相比，建议的CS地图被证明是更有效的，并提供可比或更好的质量预测。出于最近的工作，利用标准差池，DP的一般配方在本文中提出，并用于计算最终得分从建议的GS和CS地图。DP的这种拟议的制定受益于Minkowski池和拟议的功率池。在六个自然图像数据集、一个合成数据集和一个数字修饰数据集上的实验结果表明，该索引提供的预测质量与文献中最新和最具竞争力的IQA指标相当或更好，它是可靠的，复杂度低。拟议指标的MATLAB源代码可在https://www.mathworks.com/matlabcentral/fileexchange/59809上获取。
2017-04-19 cs.CV
A Novel Just-Noticeable-Difference-based Saliency-Channel Attention Residual Network for Full-Reference Image Quality Predictions
最近，由于深度卷积神经网络（CNN）的强大，已经研究了许多基于CNN的图像质量评估（IQA）模型。然而，以前的基于CNN的IQA模型可能还没有充分利用人类视觉系统（HVS）的特性来解决IQA问题，因为它们只是将一切都委托给CNN，期望它从训练数据集中学习。然而，在本文中，我们提出了一种新的显着性通道注意力残差网络的基础上的JND概念的全参考图像质量评估（FR-IQA）。它被称为JND-SalCAR，在具有各种类型失真的大型IQA数据集上显示出显着的改进。建议JND-SalCAR有效地学习如何将人类的心理物理特征，如视觉显着性和JND，图像质量预测。在所提出的网络中，设计了一个SalCAR块，以便在基于显着性的空间注意力和通道注意力方案的帮助下提取感知上重要的特征。此外，显着图作为预测补丁权重图的指南，以便为JND-SalCAR提供稳定的端到端优化训练。据我们所知，我们的工作提出了第一个HVS启发的可训练FR-IQA网络，该网络考虑了HVS的视觉显著性和JND特性。当视觉显着性图和JND概率图被明确地作为先验信息时，它们可以有效地结合起来，更精确地预测人类评定的IQA分数，最终导致性能改进和更快的收敛。实验结果表明，JND-SalCAR在Spearman秩序系数（SRCC）和Pearson线性相关系数（PLCC）方面的性能明显优于目前所有的FR-IQA方法。
2020-10-16 cs.CV
Statistical evaluation of visual quality metrics for image denoising
Tampere University of Technology（坦佩雷理工大学）；National Aerospace University（国立航空航天大学）
本文研究了去噪图像的全参考视觉质量评估问题，特别强调了低对比度和类噪声纹理图像。这种图像的去噪与噪声去除一起通常导致图像细节丢失或平滑。一个新的测试图像数据库，FLT，包含75无噪声的“参考”图像和300过滤（“失真”）图像的开发。每个参考图像，损坏的加性高斯白噪声，去噪的BM 3D滤波器具有四个不同的阈值参数值（四个级别的噪声抑制）。对失真图像进行感知质量评估后，获得平均意见评分（MOS），并与已知的完整参考质量指标的值进行比较。结果，PSNR值和MOS之间的斯皮尔曼等级相关系数（SROCC）具有接近于零的值，并且已知的全参考图像视觉质量度量值和MOS之间的SROCC不超过0.82（本文提出的新的视觉质量度量达到该值）。FLT数据集比用于评估图像去噪视觉质量的早期数据集更复杂。因此，它可以有效地用于设计新的图像视觉质量度量图像去噪。
2017-11-02 cs.CV
A Feature Reuse Framework with Texture-adaptive Aggregation for Reference-based Super-Resolution
Zhejiang Normal University（浙江师范大学）；ETH Zurich（苏黎世联邦理工学院）；University of Cambridge（剑桥大学）
针对 RefSR 中感知与对抗损失影响纹理迁移的问题，提出可泛化的特征复用框架及单图像特征嵌入、纹理自适应聚合模块，提升多种方法性能。
2023-06-02 cs.CV
Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment
Harbin Institute of Technology（哈尔滨工业大学）；Dalian Maritime University（大连海事大学）；Peng Cheng Laboratory（鹏城实验室）
全参考图像质量评价（Full-reference image quality assessment，IQA）通过测量失真图像与原始图像质量参考图像的视觉差异来评价失真图像的视觉质量，已广泛应用于低水平视觉任务。在训练FR-IQA模型时，需要使用具有平均意见得分（MOS）的成对标记数据，但这些数据的收集耗时且繁琐，而未标记数据则可以从图像退化或恢复过程中轻松收集，因此利用未标记训练数据来提高FR-IQA性能是一个很有前途的研究方向。此外，由于标记数据和未标记数据之间的分布不一致性，未标记数据中可能会出现离群值，进一步增加了训练难度。在本文中，我们建议结合半监督和正未标记（PU）学习来利用未标记数据，同时减轻离群值的不利影响。特别地，通过将所有标记的数据视为正样本，PU学习被利用来识别负样本（即，离群值）。半监督学习（SSL）进一步部署，利用积极的未标记的数据，动态生成伪MOS。我们采用了一个双分支网络，包括参考和失真分支。此外，在参考分支中引入空间注意力，使其更集中于信息区域，并使用切片Wasserstein距离进行稳健的差异图计算，以解决由GAN模型恢复的图像引起的错位问题。大量的实验表明，我们的方法在基准数据集PIPAL，KADID-10 k，TID 2013，LIVE和CSIQ上的性能优于最先进的方法。
2022-04-19 cs.CV eess.IV
Digital twins enable full-reference quality assessment of photoacoustic image reconstructions
University of Cambridge（剑桥大学）；Cancer Research UK Cambridge Institute（英国癌症研究会剑桥研究所）；University of Arizona（亚利桑那大学）；University of Eastern Finland（东部芬兰大学）；Imperial College London（伦敦帝国理工学院）；University College London（伦敦大学学院）；University of Oulu（奥卢大学）
本文提出利用组织模拟体模和成像系统的数值数字孪生进行定量校准，实现光声图像重建算法的全参考质量评估，并首次在实验数据上验证了一种基于傅里叶变换的低成本重建算法。
2025-05-30 cs.CV eess.SP physics.med-ph
Full Reference Screen Content Image Quality Assessment by Fusing Multi-level Structure Similarity
Qingdao University（青岛大学）；Stony Brook University（石溪大学）
屏幕内容图像（SCI）通常包括具有尖锐边缘的各种内容类型，其中伪影或失真可以通过香草结构相似性度量以完全参考的方式很好地感测。尽管如此，几乎所有当前的SOTA结构相似性度量都是以单级方式“局部”制定的，而真正的人类视觉系统（HVS）遵循多级方式，并且这种不匹配可能最终阻止这些度量实现可信的质量评估。为了改进这一问题，本文从稀疏表示的角度提出了一种“全局”度量结构相似性的新方法。为了根据真实的HVS进行多级质量评估，上述全局度量将通过诉诸新设计的选择性深度融合网络与传统的局部度量相结合。为了验证该方法的有效性，我们在两个广泛使用的大规模SCI数据集上将该方法与12种SOTA方法进行了比较，定量结果表明，该方法与主观质量评分的一致性明显高于目前的主流方法。源代码和数据也是公开的，以获得广泛的接受，并促进新的进步及其验证。
2020-08-07 cs.CV cs.LG
Deviation Based Pooling Strategies For Full Reference Image Quality Assessment
École de Technologie Supérieure（高等技术学院）
感知图像质量评估（IQA）的最新池化策略是基于均值和加权均值。它们是强大的池化策略，通常为不同的IQAs提供中等到高的性能。最近，还提出了标准差（SD）合并。尽管这种偏差池为少数IQAs提供了非常高的性能，但其性能低于许多其他IQAs的平均池。在本文中，我们建议使用平均绝对偏差（MAD），并表明它是一个更强大和更准确的汇集策略，为更广泛的IQAs。事实上，MAD合并具有均值合并和SD合并的优点。本文还考虑了MAD和SD池化策略的联合计算和使用。实验结果为不同的IQA模型选择合适的偏差池策略提供了有用的信息。
2015-05-06 cs.CV cs.MM
Local SVD-Entropy Maps as a Complementary Structural Representation for Full-Reference and No-Reference Image Quality Assessment
Institute of Physics and Technology, Petrozavodsk State University（彼得罗扎沃茨克国立大学物理技术学院）
提出基于局部SVD熵的HSVD图作为IQA补充结构表示，与SSIM结合提升全参考（SRCC 0.618→0.659）和无参考（0.528→0.575）性能，且无需原始参考。
2026-09-24 cs.CV cs.MM eess.IV
SuperTran: Reference Based Video Transformer for Enhancing Low Bitrate Streams in Real Time
Amazon（亚马逊）
这项工作的重点是低比特率的视频流场景（例如50 - 200 Kbps），其中视频质量严重受损。我们提出了一系列新颖的深度生成模型，用于通过执行超分辨率来增强此类流的感知视频质量，同时还去除压缩伪影。我们的模型，我们称之为SuperTran，除了低质量，低分辨率的视频流之外，还需要输入一个高质量，高分辨率的参考图像。因此，模型学习如何从参考图像借用或复制视觉元素（如纹理），并填充低分辨率流中的剩余细节，以产生感知增强的输出视频。参考帧可以在视频会话开始时发送一次，也可以从图库中检索。重要的是，所得到的输出具有比仅使用低分辨率输入的方法（例如SuperVEGAN方法）可能具有的细节好得多的细节。SuperTran在标准管道旁边的云上实时工作（高达30帧/秒）。
2022-11-22 cs.CV cs.LG eess.IV
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
Causal Disentanglement-Inspired Degradation Representation Learning for Full-Reference Image Quality Assessment
School of Computing and Artificial Intelligence, Southwest Jiaotong University（计算机与人工智能学院，西南交通大学）；School of Transportation and Logistics, Southwest Jiaotong University（交通运输与物流学院，西南交通大学）；School of Physics, Northeast Normal University（物理学院，东北师范大学）；School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics（计算机与人工智能学院，江西财经大学）；School of Information Management, Jiangxi University of Finance and Economics（信息管理学院，江西财经大学）
提出基于因果推断和解耦表示学习的全参考图像质量评估新范式，通过干预潜在表示实现退化估计，在多种设置和跨域场景中表现优异。
2026-05-28 cs.AI cs.CV
You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment
本文提出一个统一框架，通过分层注意力模块和语义失真感知模块，使单一模型在一次训练后即可同时完成全参考与无参考图像质量评估，并在两类任务上达到领先性能。
2024-04-06 cs.AI cs.CV eess.IV
A Shift-insensitive Full Reference Image Quality Assessment Model Based on Quadratic Sum of Gradient Magnitude and LOG signals
图像质量评价是对图像主观质量的评价，建立模型来评价图像在不同应用中的感知质量。基于人类视觉系统（HVS）对结构信息高度敏感的特性，边缘信息提取在各种图像质量评价指标中得到了广泛的应用。根据以往的研究，图像梯度幅度（GM）和高斯拉普拉斯算子（LLS）是两个有效的结构特征在IQA任务。然而，大多数IQA指标只有在失真图像与参考图像完全配准时才能达到良好的性能，而在具有小平移的图像上则无法执行。在本文中，我们提出了一个FR-IQA模型的GM和的二次和的信号，它获得了良好的性能，在图像质量估计考虑平移不敏感属性的参考和失真图像对。实验结果表明，该模型在3个包含多种失真类型和失真程度的大规模主观IQA数据库上均具有较好的鲁棒性，无论是对单一失真类型还是对整个数据库，都能保持现有FR-IQA模型的稳定性。此外，我们验证了所提出的度量表现出更好的平移不敏感的属性相比，CW-SSIM度量，被认为是平移不敏感的IQA到目前为止。同时，该模型比CW-SSIM模型简单，易于应用。
2020-12-21 cs.CV eess.IV
Full-Reference Calibration-Free Image Quality Assessment
University of Rome “La Sapienza”（罗马大学（智慧大学））
客观图像质量评估（IQA）方法的一个主要问题是它们的质量估计相对于由人类受试者表达的分数缺乏线性。出于这个原因，通常IQA指标经历基于主观质量示例的校准过程。然而，基于示例的训练使得泛化成为问题，阻碍了不同应用和操作条件之间的结果比较。在本文中，新的全参考（FR）技术，提供估计线性相关的人的分数，而不使用校准。为了达到这一目标，这些技术深深植根于原则和理论约束。限制对自然图像集的IQA的兴趣，首先认识到将估计理论和心理物理原理应用于由高斯模糊退化的图像导致所谓的规范IQA方法，其估计不仅与主观分数高度线性相关，而且与观看距离（VD）直接相关。然后，它表明，主流的IQA方法可以重新进行的规范方法应用一个初步的度量转换的基础上，一个独特的样本图像。该方案的应用，然后扩展到一个显着的一类退化图像以外的高斯模糊，包括噪声和压缩图像。由此产生的免校准FR IQA方法适用于不同成像系统和不同VD之间的可比性和互操作性是主要要求的应用。最后，他们的统计性能与一些传统的校准倾向的方法进行比较。
2022-05-24 cs.CV eess.IV
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
HiFi-Inpaint: Towards High-Fidelity Reference-Based Inpainting for Generating Detail-Preserving Human-Product Images
University of Chinese Academy of Sciences（中国科学院大学）；The Chinese University of Hong Kong（香港中文大学）；Zhejiang University（浙江大学）
本文提出HiFi-Inpaint框架，通过Shared Enhancement Attention和Detail-Aware Loss解决人-产品图像生成中的细节保留问题，并构建了HP-Image-40K数据集，实验表明其在生成高保真图像方面表现优异。
2026-04-17 cs.CV
OmniRefiner: Reinforcement-Guided Local Diffusion Refinement
Zhejiang University（浙江大学）；Nankai University（南开大学）；National University of Singapore（新加坡国立大学）
OmniRefiner通过强化学习和局部扩散细化技术，提升参考引导图像生成中细粒度细节的保留与一致性。
2025-11-25 cs.CV
UniCustom: Unified Visual Conditioning for Multi-Reference Image Generation
University of Science and Technology of China（中国科学技术大学）；Kling Team, Kuaishou Technology（快手技术团队）
UniCustom通过融合ViT和VAE特征提升多参考图像生成中主体一致性和指令遵循能力，采用两阶段训练策略和槽绑定正则化减少跨参考混淆。
2026-05-13 cs.CV
CompleteMe: Reference-based Human Image Completion
UC Merced（加州大学默塞德分校）；Adobe Research（Adobe研究院）
提出基于参考图像的人体图像补全框架CompleteMe，采用双U-Net架构与区域聚焦注意力模块精准捕捉参考图细节，并引入专用基准，显著提升了补全图像的保真度与语义一致性。
2025-04-28 cs.CV
The Consistency Critic: Correcting Inconsistencies in Generated Images via Reference-Guided Attentive Alignment
VCIP, Nankai University；Show Lab, National University of Singapore；State Key Laboratory of CAD\&CG, Zhejiang University
本文提出ImageCritic，通过参考引导的注意力对齐方法纠正生成图像中的不一致问题，提升细粒度细节的一致性。
2025-11-25 cs.CV
UniFixer: A Universal Reference-Guided Fixer for Diffusion-Based View Synthesis
ETH Zürich（苏黎世联邦理工学院）；DisneyResearch|Studios（迪士尼研究实验室）
本文提出UniFixer，通过粗到细策略修复扩散基视图合成中的多种退化问题，包括空间、时间及模型相关的退化，通过参考预对齐、全局结构锚定和局部细节注入模块实现高质量视图合成。
2026-05-12 cs.CV
Full-resolution quality assessment for pansharpening
University Federico II（费德里科二世大学）
针对全色锐化全分辨率质量评估缺乏真实参考的问题，提出一种无参考全分辨率评估框架，通过引入重投影协议解决光谱一致性，并提出新的空间一致性指标，实验证明其有效性。
2022-04-04 cs.CV
Empirical evaluation of full-reference image quality metrics on MDID database
Budapest University of Technology and Economics（布达佩斯技术与经济大学）
在这项研究中，我们的目标是使用最近公布的MDID对32个最先进的FR-IQA指标进行全面评估。该数据库包含从一组参考原始图像中获得的失真图像，这些原始图像使用随机类型和失真级别。具体地，考虑高斯噪声、高斯模糊、对比度变化、JPEG噪声和JPEG 2000噪声。
2019-10-04 cs.CV eess.IV
Refine-by-Align: Reference-Guided Artifacts Refinement through Semantic Alignment
Purdue University（普渡大学）；Adobe（奥多比公司）
针对个性化生成图像的局部伪影问题，提出 Refine-by-Align 两阶段扩散模型，通过参考图像语义对齐提取区域特征并精修，无需测试时优化且可跨任务泛化。
2024-11-30 cs.CV
Conformal Bounds on Full-Reference Image Quality for Imaging Inverse Problems
Department of Electrical and Computer Engineering（电气与计算机工程系）；The Ohio State University（俄亥俄州立大学）；Department of Biomedical Engineering（生物医学工程系）
针对成像逆问题中真实图像未知导致 FRIQ 难以评估的问题，提出结合保形预测与近似后验采样构建具有错误概率保证的质量界，并在去噪和加速 MRI 上验证。
2025-05-14 cs.CV
Multi-modal Reference Learning for Fine-grained Text-to-Image Retrieval
Peking University（北京大学）；Beijing Union University（北京联合大学）
本文针对细粒度文本到图像检索中的文本歧义问题，提出多模态参考学习框架，通过构建对象级多模态参考来引导表示学习并细化检索相似度，在多个数据集上取得领先性能。
2025-04-10 cs.CV
Simple Baselines for Projection-based Full-reference and No-reference Point Cloud Quality Assessment
Shanghai Jiao Tong University（上海交通大学）
本文提出基于多投影和视觉骨干网络的简单基线方法，分别通过特征相似度和平均池化处理全参考与无参考点云质量评估，并在ICIP 2023 PCVQA挑战赛五个赛道中四项夺冠。
2023-10-26 cs.CV eess.IV
DetailAnywhere: Fashion Detail Generation via Cross-Modal Feature Alignment Distillation
Kuaishou Technology（快手科技）；AIM for Health Lab, Monash University（Monash大学AIM健康实验室）
针对在线购物中用户关注服装细节（如领口、袖口、面料纹理）的需求，提出新任务“时尚细节生成”及基准FDBench，并设计跨模态特征对齐蒸馏（CFAD）方法，结合多模态扩散Transformer和一致性奖励模型，显著优于现有方法。
2026-10-26 cs.CV
CareCom: Generative Image Composition with Calibrated Reference Features
针对现有生成式图像合成方法难以同时保留细节、调整前景姿态与视角的问题，本文提出CareCom方法，扩展多参考生成模型并校准参考特征，在两个基准数据集上验证可有效提升模型性能。
2025-11-14 cs.CV
MaRINeR: Enhancing Novel Views by Matching Rendered Images with Nearby References
ETH Zurich（苏黎世联邦理工学院）；Microsoft Mixed Reality & AI Lab（微软混合现实与人工智能实验室）
MaRINeR通过匹配渲染图像与邻近参考，利用深度特征和层次化细节转移改进新视角渲染质量，适用于显式和隐式场景表示及多项下游任务。
2024-07-18 cs.CV
RefineAnything: Multimodal Region-Specific Refinement for Perfect Local Details
RELER, CCAI, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室、人工智能研究所）；DBMI, HMS, Harvard University（哈佛大学医学院生物医学信息学系）
本文提出区域特定图像细化方法，通过多模态扩散模型实现局部细节恢复，同时保持非编辑区域不变，引入边界一致性损失和Focus-and-Refine策略提升效果。
2026-04-08 cs.CV
HomeDiffusion: Zero-Shot Object Customization with Multi-View Representation Learning for Indoor Scenes
Alibaba Group（阿里巴巴集团）
针对零样本对象定制中细节失真和姿态不协调问题，提出HomeDiffusion，利用多视角图像和扩散模型，在指定区域生成与背景和谐的对象，并通过交叉注意力保持细节。
2026-06-29 cs.CV
Uni-Animator: Towards Unified Visual Colorization
Mississippi State University（密苏里州立大学）；UIUC（伊利诺伊大学香槟分校）；Hunan University（湖南大学）；HKUST（香港科技大学）
Uni-Animator通过视觉参考增强、物理细节强化和动态RoPE编码，实现了统一的图像和视频草图着色，兼顾高细节保真度和时间一致性。
2026-03-03 cs.CV
Reference-based Magnetic Resonance Image Reconstruction Using Texture Transformer
Johns Hopkins University（约翰斯·霍普金斯大学）
近年来，基于深度学习（DL）的磁共振（MR）图像重建方法已显示出优越的性能。然而，这些方法要么仅利用欠采样数据，要么需要成对的全采样辅助模态来执行多模态重建。因此，现有的方法忽略了探索注意力机制，可以在一个单一的模态内将纹理从参考全采样数据转换为欠采样数据，这限制了这些方法在具有挑战性的情况下。在本文中，我们提出了一种新的纹理Transformer模块（TTM）的加速MRI重建，在其中，我们制定的欠采样数据和参考数据的查询和键在一个Transformer。TTM有助于跨欠采样数据和参考数据进行联合特征学习，因此可以通过注意力发现特征对应关系，并且可以在重建期间利用准确的纹理特征。值得注意的是，所提出的TTM可以堆叠在先前的MRI重建方法上，以进一步提高其性能。大量的实验表明，TTM可以显着提高几个流行的基于DL的MRI重建方法的性能。
2021-12-16 cs.CV
CompressedVQA-AEV: Full-Reference and No-Reference Quality Assessment Models for Asymmetric Encoded Videos
East China Normal University（华东师范大学）；Shanghai Jiao Tong University（上海交通大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对非对称编码视频质量评估任务，分别基于Swin-B、SigLIP2构建FR和NR评估模型，在QoMEX 2026竞赛FR赛道获第一、NR赛道获第四，性能优异。
2026-07-07 cs.CV cs.MM eess.IV
Deep Learning based Full-reference and No-reference Quality Assessment Models for Compressed UGC Videos
Shanghai Jiao Tong University（上海交通大学）
在本文中，我们提出了一个基于深度学习的视频质量评估（VQA）框架来评估压缩用户生成内容（UGC）视频的质量。VQA框架由三个模块组成：特征提取模块、质量回归模块和质量池模块。对于特征提取模块，我们将卷积神经网络（CNN）网络中间层的特征融合到最终的质量感知特征表示中，使模型能够充分利用从低级到高级的视觉信息。具体地说，从所有中间层提取的特征图的结构和纹理相似度计算作为全参考（FR）VQA模型的特征表示，并计算由中间特征图融合的最终特征图的全局均值和标准差作为无参考（NR）VQA模型的特征表示。对于质量回归模块，我们使用全连接（FC）层将质量感知功能回归到帧级分数。最后，一个主观启发的时间池策略，采用池的帧级分数到视频级分数。该模型在压缩的UGC VQA数据库上实现了最好的性能，并且在野生UGC VQA数据库上也实现了相当好的性能。
2021-06-02 cs.CV cs.MM eess.IV
The efficiency of deep learning algorithms for detecting anatomical reference points on radiological images of the head profile
Samara National Research University（萨马拉国立研究大学）；IPSI RAS（俄罗斯科学院图像投影系统研究所）；FSBEI HE SamSMU MOH Russia（俄罗斯卫生部萨马拉国立医科大学）；ICCS RAS（俄罗斯科学院复杂系统研究所）
在这篇文章中，我们研究了深度学习算法在解决横向投影中头部放射图像上检测解剖参考点的任务时的效率，该任务使用全卷积神经网络和具有扩展架构的全卷积神经网络进行生物医学图像分割- U-Net。对每个所选神经网络架构的解剖参考点的检测结果进行比较，并将其与当神经外科医生检测到解剖参考点时获得的结果进行比较。基于所获得的结果，可以得出结论，U-Net神经网络允许比完全卷积神经网络更准确地执行解剖参考点的检测。用U-Net神经网络检测解剖参考点的结果更接近一组解剖学家检测参考点的平均结果。
2020-06-18 cs.CV eess.IV
MCIQA-2K: A Multi-Dimensional Dataset and No-Reference Quality Assessment Benchmark for Colorized Images
ShanghaiTech University（上海科技大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）
针对图像彩色化任务中全参考质量评估失效的问题，提出MCIQA-2K多维基准数据集及多分支无参考质量评估框架MCIQA，实验证明其性能优于现有方法。
2026-09-15 cs.CV
DirectSwap: Paired, Mask-Free Video Head Swapping with Full-Reference Evaluation
MBZUAI（马克斯·普朗克智能研究院）；UAEU（阿拉伯联合酋长国大学）；AIQ（人工智能量子研究所）；SYSU（南方大学）
DirectSwap通过无掩码直接视频头部交换框架，结合运动和表情感知重建损失，实现了跨身份视频头部交换的高质量和一致性。
2026-09-14 cs.CV
C3DVQA: Full-Reference Video Quality Assessment with 3D Convolutional Neural Network
Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Tencent（腾讯）；Peng Cheng Laboratory（鹏城实验室）
传统的视频质量评估（VQA）方法评估局部图像质量，视频分数通过时间聚集帧分数来预测。然而，由于时间掩蔽效应的存在，视频质量表现出与静态图像质量不同的特性。在本文中，我们提出了一种新的架构，即C3DVQA，它使用卷积神经网络与3D内核（C3D）的全参考VQA任务。C3DVQA将特征学习和分数池结合到一个时空特征学习过程中。我们使用2D卷积层来提取空间特征，使用3D卷积层来学习时空特征。我们根据经验发现，3D卷积层能够捕获视频的时间掩蔽效应。我们在LIVE和CSIQ数据集上对所提出的方法进行了评估。实验结果表明，该方法达到了最先进的性能。
2020-03-04 cs.CV eess.IV
