Full Reference Video Quality Assessment for Machine Learning-Based Video Codecs
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Microsoft(微软)
针对机器学习视频编码器,提出新的全参考视频质量评估模型FRVQA,并开源数据集,实现PCC和SRCC均达0.99的高相关性。
2023-09-02 cs.CV eess.IV
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 Quality Assessment of Contrast-distorted Images using Contrast-enhanced Pseudo Reference
针对对比度失真图像质量评估被忽视的问题,提出一种无参考评估指标,通过分类网络选适配的对比度增强算法生成伪参考图,转化为全参考评估,在三个数据库上表现良好。
2025-10-06 cs.CV
Deep Multi-Scale Features Learning for Distorted Image Quality Assessment
University of Science and Technology of China(中国科学技术大学)
图像质量评估(IQA)的目的是基于人类感知来评估图像的视觉质量。尽管现有的深度神经网络(DNN)在解决IQA问题方面表现出了显著的有效性,但仍然需要通过利用有效的多尺度特征来改进基于DNN的质量评估模型。在本文中,受人类视觉系统(HVS)结合多尺度特征进行感知的启发,我们提出使用金字塔特征学习来构建具有分层多尺度特征的DNN,用于失真图像质量预测。我们的模型基于亮度域中的残差图和失真图像,其中所提出的网络包含空间金字塔池和来自网络结构的特征金字塔。我们提出的网络以深度端到端监管方式进行优化。为了验证该方法的有效性,在四个广泛使用的图像质量评价数据库上进行了大量的实验,证明了我们的算法的优越性。
2020-12-01 cs.CV cs.MM 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
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
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
Multitask Auxiliary Network for Perceptual Quality Assessment of Non-Uniformly Distorted Omnidirectional Images
School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics(江西财经大学计算与人工智能学院);Jiangxi Provincial Key Laboratory of Multimedia Intelligent Processing(江西省多媒体智能处理重点实验室);Harvard Medical School, Harvard University(哈佛大学医学院)
针对非均匀失真全景图像质量评估,提出多任务辅助网络,通过联合训练主任务与辅助任务捕捉局部失真和全局质量变化,在两个大规模数据库上优于现有方法。
2025-01-20 cs.CV eess.IV
Hallucinated-IQA: No-Reference Image Quality Assessment via Adversarial Learning
Peking University(北京大学)
无参考图像质量评价(NR-IQA)是低层计算机视觉领域的一项基本而又具有挑战性的任务。对于有限的信息来说,这一困难尤其突出,因为通常缺乏相应的比较参考资料。尽管在以前的方法中已经利用了从自然场景统计到深度神经网络的各种特征提取机制,但性能瓶颈仍然存在。在这项工作中,我们提出了一个幻觉引导的质量回归网络来解决这个问题。我们首先生成一个约束在失真图像上的超分辨率参考,以补偿真实参考的缺失。然后,我们将幻觉参考的信息与失真图像配对,并将它们转发给回归器,以在生成器内的隐式排名关系的指导下学习感知差异,从而产生精确的质量预测。为了证明我们的方法的有效性,全面的实验进行了评估四个流行的图像质量评估基准。我们的方法显着优于所有以前的国家的最先进的方法大幅度。代码和模型将在项目页面https://kwanyeelin.github.io/projects/HIQA/HIQA.html上公开。
2018-04-05 cs.CV
Distorted Representation Space Characterization Through Backpropagated Gradients
Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们利用反向传播的权重梯度来表征深度学习算法学习的表示空间。我们证明了这种梯度在应用程序中的效用,包括感知图像质量评估和分布分类。选择应用程序来验证当测试图像分布从训练图像分布失真时梯度作为特征的有效性。在这两种应用中,所提出的基于梯度的特征优于激活特征。在图像质量评估中,将所提出的方法与其他最先进的方法进行比较,并且在准确性、一致性、线性和单调行为方面,该方法通常是TID 2013和MULTI-LIVE数据库上的最佳执行方法。最后,我们使用CURE-TSR数据集分析了正则化对梯度的影响,用于分布外分类。
2019-08-27 cs.CV eess.IV
Perceptual Quality Assessment of Omnidirectional Images
Shanghai Jiao Tong University(上海交通大学)
全方位的图像和视频可以在虚拟现实(VR)环境中提供真实世界场景的沉浸式体验。我们提出了一个感知全方位图像质量评估(IQA)的研究在本文中,因为它是非常重要的VR环境下提供一个良好的体验质量。我们首先建立了一个全方位IQA(OIQA)数据库,其中包括16幅源图像和320幅失真图像,这些失真图像分别采用JPEG压缩、JPEG2000压缩、高斯模糊和高斯噪声4种常见的失真方式进行降质。在此基础上,对OIQA数据库在VR环境下的主观质量评价进行了研究。考虑到人类在VR环境中只能在一次移动中看到场景的一部分,视觉注意力变得非常重要。因此,我们也跟踪头部和眼睛的运动数据在质量评级实验。原始和失真的全向图像、主观质量评级以及头部和眼睛运动数据一起构成OIQA数据库。最先进的全参考(FR)的IQA措施进行了测试的OIQA数据库,并提出了一些新的观察不同于传统的IQA。
2022-07-06 cs.CV
Fine-Grained HDR Image Quality Assessment From Noticeably Distorted to Very High Fidelity
University of Konstanz, Germany(康斯坦茨大学);Cloudinary, Belgium(Cloudinary公司);EPFL, Switzerland(瑞士联邦理工学院);IST-IT, Portugal(葡萄牙IST-IT机构);Huawei, Germany(华为公司);TU Ilmenau, Germany(图林根工业大学);RWTH Aachen, Germany(亚琛工业大学);IT-UBI, Portugal(葡萄牙IT-UBI机构);Fraunhofer IIS, Germany(弗劳恩霍夫研究所)
针对高保真区间HDR图像质量评估需求,研究构建了覆盖多失真等级的AIC-HDR2025数据集,通过大规模主观实验验证AIC-3方法的精准性,并评估了多种客观质量指标。
2025-06-14 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
Deep Priors for Video Quality Prediction
Indian Institute of Technology Mandi(印度理工大学曼迪分校)
本文提出一种基于深度视频先验的完全盲视频质量评估算法,利用单对视频学习先验,通过恢复能力度量失真,无需标签数据,在LCC和SROCC上优于现有无监督方法。
2024-11-05 cs.CV eess.IV
A proposal project for a blind image quality assessment by learning distortions from the full reference image quality assessments
这篇简短的论文提出了一个远景计划,以建立一个空参考图像质量评估。它的主要目标是在不知道其参考图像的情况下为给定的失真图像提供客观分数和失真图。
2015-11-04 cs.CV cs.MM
Subjective and Objective Quality Assessment of Non-Uniformly Distorted Omnidirectional Images
School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics(江西财经大学计算与人工智能学院);Harvard Medical School, Harvard University(哈佛大学医学院)
针对全景图像非均匀失真评估问题,构建大型数据库并开展主观实验,提出感知引导的OIQA模型,优于现有方法。
2025-01-20 cs.CV eess.IV
Restoration of Atmospheric Turbulence-distorted Images via RPCA and Quasiconformal Maps
我们解决的问题,恢复一个高质量的图像从观察到的图像序列强烈扭曲的大气湍流。本文提出了一种新的算法来减少强湍流引起的几何失真以及时空变化的模糊。通过考虑一个合适的能量泛函,我们的算法首先获得一个清晰的参考图像和一个子采样的图像序列包含尖锐和轻度失真的图像帧相对于参考图像。然后通过对图像帧之间的变形场应用鲁棒主成分分析(RPCA)并通过与变形矩阵的低秩部分相关联的拟共形映射来扭曲图像帧来稳定子采样图像序列。在图像帧与参考图像配准后,通过盲解卷积对图像帧的低秩部分进行去模糊,然后将去模糊后的图像帧与增强后的稀疏部分进行融合。实验已经进行了合成和真实的连续性失真的视频。实验结果表明,该方法能有效地消除图像失真和模糊,恢复图像细节,提高视觉质量。
2017-09-19 cs.CG cs.CV cs.GR
Viewport-Unaware Blind Omnidirectional Image Quality Assessment: A Flexible and Effective Paradigm
School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics(江西财经大学计算与人工智能学院);Harvard Medical School, Harvard University(哈佛大学医学院)
本文提出一种视口无关的盲全景图像质量评估范式,通过自适应赤道采样、形变无关特征融合和局部到全局质量聚合模块,在低复杂度下实现与最先进模型相当的评估性能,并可灵活适配二维图像质量评估任务。
2025-03-08 cs.CV
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
Comparison Drives Preference: Reference-Aware Modeling for AI-Generated Video Quality Assessment
Cardiff University(卡迪夫大学);Shandong University of Science and Technology(山东科技大学);Shenzhen University(深圳大学);Sun Yat-sen University(中山大学);City University of Hong Kong(香港城市大学)
本文提出参考感知视频质量评估方法RefVQA,通过构建查询中心参考图进行语义相关样本组织,并利用图引导差异聚合提升视频质量评估性能。
2026-04-18 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
Complexity-Calibrated Reconstruction Discrepancy for No-Reference Point Cloud Quality Assessment
City University of Macau(澳门城市大学)
该研究针对无参考点云质量评估,提出复杂度校准重建差异方法,通过连续重建估计复杂度分量并校准差异,在三个数据库上性能优于多数通用基线。
2026-10-12 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
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
Sparse Representation-based Image Quality Assessment
the University of British Columbia(不列颠哥伦比亚大学)
图像质量评价的一个成功方法是比较失真图像和参考图像之间的结构信息。然而,提取对我们的视觉系统至关重要的结构信息是一项具有挑战性的任务。本文解决了这个问题,采用稀疏表示为基础的方法,并提出了一种新的度量称为\emph{sparse representation-based quality}(SPARQ)\emph{index}。所提出的方法将参考图像的固有结构学习为一组基向量,使得图像中的任何结构都可以由仅少数基向量的线性组合表示。采用这种稀疏策略是因为它是已知的,以产生基本向量,是定性类似于哺乳动物初级视觉皮层中存在的简单细胞的感受野。失真图像的视觉质量的估计通过比较的参考和失真图像的学习的基础向量类似于皮层细胞方面的结构。我们的方法进行了评估,六个公开的主题评级图像质量评估数据集。建议的SPARQ指数始终表现出与所有数据集的主观评级的高度相关性,并表现得更好或与最先进的。
2013-06-12 cs.CV cs.MM eess.IV
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
Point Cloud Quality Assessment Using the Perceptual Clustering Weighted Graph (PCW-Graph) and Attention Fusion Network
Mohammed V University in Rabat(拉巴特穆罕默德五世大学)
本文提出结合感知聚类加权图与注意力融合网络的无参考点云质量评估方法,用于在缺少参考模型时评价3D内容质量。
2025-06-04 cs.CV
TCDM: Transformational Complexity Based Distortion Metric for Perceptual Point Cloud Quality Assessment
Shanghai Jiao Tong University(上海交通大学);Tencent MediaLab(腾讯媒体实验室);University of Canterbury(坎特伯雷大学)
本文提出TCDM度量,通过三维Voronoi分割和SA-VAR模型计算参考点云与失真点云间的变换复杂度,并结合预测项辅助特征,在五个公开数据库上实现点云质量评价的SOTA性能。
2023-11-29 cs.CV cs.MM
Power of Tempospatially Unified Spectral Density for Perceptual Video Quality Assessment
Georgia Institute of Technology(佐治亚理工学院)
我们提出了一个感知视频质量评估(PVQA)指标失真的视频通过分析一组图片的功率谱密度(PSD)。这是一种估计方法,其依赖于在频域中计算的视频动态的变化,并且主要由失真引起。我们通过处理从一组失真帧获得的3D PSD张量来获得特征图。这是一个完全参考时空的方法,考虑时间和空间PSD特性。这使得它普遍适用于具有不同运动模式和空间内容的视频。我们的技术不对编码条件、流条件或失真做出任何假设。这种方法在计算上也是廉价的,这使得它对于实时和实际的实现是可行的。我们验证我们提出的度量测试它的各种扭曲的序列从PVQA数据库。结果表明,我们的度量估计的感知质量在序列水平准确。我们报告的相关系数与数据库中报告的差异平均意见得分(DMOS)。结果表明,与最先进的技术相比,高和竞争的相关性。
2018-12-12 cs.CV eess.IV
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
Synthesized Texture Quality Assessment via Multi-scale Spatial and Statistical Texture Attributes of Image and Gradient Magnitude Coefficients
Arizona State University(亚利桑那州立大学)
合成纹理的感知质量评估是一项具有挑战性的任务。在本文中,我们提出了一种免训练的减少参考(RR)的客观质量评估方法,量化合成纹理的感知质量。建议减少参考合成纹理质量评估指标是基于测量的纹理图像的空间和统计属性,使用图像和基于梯度的小波系数在多个尺度。两个合成纹理数据库上的性能评估表明,我们提出的RR合成纹理质量度量显着优于全参考和RR国家的最先进的质量度量在预测合成纹理的感知视觉质量。
2018-04-26 cs.CV
Deep Neural Networks for No-Reference and Full-Reference Image Quality Assessment
Fraunhofer Heinrich Hertz Institute (Fraunhofer HHI)(弗劳恩霍夫海因里希·赫兹研究所);Berlin Institute of Technology(柏林工业大学)
我们提出了一种基于深度神经网络的图像质量评估(IQA)方法。该网络是端到端训练的,包括10个卷积层和5个用于特征提取的池化层,以及两个用于回归的全连接层,这使得它比相关的IQA模型更深入。所提出的架构的独特特征在于:1)通过轻微的调整,它可以用于无参考(NR)以及全参考(FR)IQA设置中,以及2)它允许局部质量和局部权重的联合学习,即,在一个统一的框架内,局部质量对整体质量估计的相对重要性。我们的方法纯粹是数据驱动的,不依赖于手工制作的功能或其他类型的关于人类视觉系统或图像统计的先验领域知识。我们在LIVE,CISQ和TID 2013数据库以及LIVE In Wild图像质量挑战数据库上评估了所提出的方法,并显示出优于最先进的NR和FR IQA方法的性能。最后,跨数据库评估显示出在不同数据库之间进行概括的高能力,表明所学习的特征具有高鲁棒性。
2017-12-07 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
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
Blind CT Image Quality Assessment Using DDPM-derived Content and Transformer-based Evaluator
Rensselaer Polytechnic Institute(伦斯勒理工学院)
本研究提出一种模拟人类视觉内部生成机制的盲CT图像质量评估方法,通过DDPM推导图像主要内容生成差异图,结合Transformer评估器,在MICCAI 2023低剂量CT感知质量挑战赛中获亚军且性能可进一步提升。
2023-10-04 cs.CV eess.IV
VR IQA NET: Deep Virtual Reality Image Quality Assessment using Adversarial Learning
KAIST(韩国科学技术院)
在本文中,我们提出了一种新的虚拟现实图像质量评估(VR IQA)与对抗学习的全向图像。考虑到全向图像的特点,我们设计了深度网络,包括新的质量分数预测器和人类感知引导器。提出的质量分数预测器自动预测失真图像的质量分数使用潜在的空间和位置特征。所提出的人类感知引导器使用对抗性学习用人类感知得分来批评预测器的预测质量得分。为了评估,我们进行了广泛的主观实验与全向图像数据集。实验结果表明,所提出的VR IQA指标优于2-D IQA和最先进的VR IQA。
2018-04-11 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
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
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
Image quality assessment measure based on natural image statistics in the Tetrolet domain
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)
提出了一种基于自然图像统计模型的简化参考图像质量测度。为此,Tetrolet变换被使用,因为它提供了一种方便的方式来捕获局部几何结构。该变换应用于参考图像和失真图像。然后,高斯尺度混合(GSM)提出了模型的子带,以考虑统计之间的依赖关系的tetrolet系数。为了量化视觉退化,提供了基于Kullback Leibler散度(KLD)的度量。在Cornell VCL A-57数据集上测试了所提出的措施,并根据FR-TV 1 VQEG框架与其他措施进行了比较。
2014-12-08 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
Semi-Supervised Teacher-Reference-Student Architecture for Action Quality Assessment
State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications(北京邮电大学网络与交换技术国家重点实验室)
针对AQA标注昂贵问题,提出半监督教师-参考-学生架构,利用双网络伪标签、额外动作信息和置信度记忆训练学生,在三个基准上优于现有半监督方法。
2025-03-17 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
No-reference geometry quality assessment for colorless point clouds via list-wise rank learning
School of Automation, Nanjing University of Science and Technology(南京理工大学自动化学院);School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院)
针对现有方法不适合无色点云无参考几何质量评估的问题,提出LRL-GQA方法,通过构建带排序信息的数据集,结合GQANet和LRLNet优化质量排序,性能优于传统全参考指标。
2025-02-17 cs.CV
Can No-reference features help in Full-reference image quality estimation?
IIT Madras(印度理工学院马德拉斯分校);Jadavpur University(贾达普大学);IIT Jodhpur(印度理工学院焦特布尔分校)
感知图像质量评估(IQA)指标的发展一直是计算机视觉界的重要兴趣。这些度量的目的是对人类感知的图像质量进行建模。全参考IQA研究中的最新作品在对应于查询和参考图像的深度特征之间执行逐像素比较,以进行质量预测。然而,如果查询图像中存在严重的失真,则逐像素特征比较可能没有意义。在此背景下,我们探讨了利用无参考功能的全参考IQA任务。我们的模型由完全引用和无引用分支组成。完全参考分支使用失真图像和参考图像,而无参考分支仅使用失真图像。我们的实验表明,使用无参考功能提高图像质量评估的性能。我们的模型在KADID-10 K和PIPAL数据集上获得了比许多最先进算法更高的SRCC和KRCC分数。
2022-03-02 cs.AI cs.CV eess.IV
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
RAUL: Reference-Assisted Ureteroscopy Localization for Skill Assessment
Vanderbilt University(范德堡大学);Vanderbilt University Medical Center(范德堡大学医学中心)
RAUL通过参考辅助重建从输尿管镜视频恢复轨迹,提高定位覆盖率,实现无需额外设备的客观技能评估。
2026-09-18 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
Conformer and Blind Noisy Students for Improved Image Quality Assessment
University of Würzburg(维尔茨堡大学);Institute of Computer Science(计算机科学研究所)
用于图像恢复、增强和生成的生成模型显著提高了生成图像的质量。令人惊讶的是,这些模型比其他方法产生更令人愉悦的图像,然而,使用传统的感知质量度量(如PSNR或SSIM),它们可能会得到较低的感知质量分数。因此,有必要制定一个量化指标来反映新算法的性能,该指标应与个人的平均意见评分(MOS)保持一致。基于学习的感知图像质量评估(IQA)方法通常需要失真图像和参考图像来准确测量感知质量。然而,通常只有失真或生成的图像可用。在这项工作中,我们探讨了基于变压器的全参考IQA模型的性能。我们还提出了一种基于半监督知识蒸馏的方法,从全参考教师模型到盲学生模型,使用噪声伪标记数据的IQA。我们的方法在NTIRE 2022感知图像质量评估挑战赛中取得了有竞争力的结果:我们的全参考模型在70名参与者中排名第四,我们的盲人吵闹学生在各自的赛道中排名第三。
2022-04-27 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