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 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
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
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
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
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
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
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
Deep Tiny Network for Recognition-Oriented Face Image Quality Assessment
Academy of Military Sciences（军事科学院）；National University of Defense Technology（国防科技大学）
针对低质量人脸导致识别不稳定的问题，提出无参考质量度量与微型tinyFQnet，在IJB-B和YTF上以更小模型取得优于现有方法的效果与效率。
2024-01-21 cs.CV
Fine-grained subjective visual quality assessment for high-fidelity compressed images
EPFL（洛桑联邦理工学院）；Universität Konstanz（康斯坦茨大学）；Instituto Superior Técnico（高等技术学院）；Cloudinary（Cloudinary公司）
本文针对高保真压缩图像细微视觉差异难以评估的问题，提出基于视觉刺激增强与重缩放的方法，构建了以JND为单位的高精度细粒度质量量表及众包评分数据集。
2024-10-12 cs.CV
PCQA: A Strong Baseline for AIGC Quality Assessment Based on Prompt Condition
DP Technology（DP科技）；Cisco（思科）；Shopee（虾皮）；TongJi University（同济大学）
本文提出了一个基于提示条件的AIGC质量评估框架PCQA，通过双源CLIP文本编码器和特征混合器模块融合提示与视觉特征，在图像和视频数据集上验证了有效性。
2024-04-20 cs.CV
A Deep Retinal Image Quality Assessment Network with Salient Structure Priors
Central South University（中南大学）
视网膜图像质量评价是视网膜疾病诊断的重要前提。它的目标是识别视网膜图像，其中最吸引眼科医生的解剖结构和病变显示清晰，明确，而拒绝质量差的眼底图像。出于这一动机，我们模仿眼科医生评估视网膜图像质量的方式，并提出了一种称为SalStructuIQA的方法。第一，用于自动视网膜质量评估的两个突出结构。一种是大尺寸的突出结构，包括视盘区和大尺寸的渗出物。另一类是以血管为主的微小突起结构。然后，我们将所提出的两个显著结构先验与深度卷积神经网络（CNN）相结合，以将CNN的焦点转移到显著结构上。因此，我们开发了两种CNN架构：双分支SalStructIQA和单分支SalStructIQA。双分支SalStructIQA包含两个CNN分支，一个由大尺寸的突出结构引导，而另一个由微小尺寸的突出结构引导。单分支SalStructIQA包含一个CNN分支，该分支由大尺寸和微小尺寸的突出结构的级联引导。在Eye-Quality数据集上的实验结果表明，我们提出的双分支SalStructIQA优于现有的视网膜图像质量评估方法，而单分支SalStructIQA与现有的深层视网膜图像质量评估方法相比具有更轻的权重，并且仍然具有竞争力的性能。
2020-12-31 cs.CV
CLIP-AGIQA: Boosting the Performance of AI-Generated Image Quality Assessment with CLIP
New Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences（模式识别新实验室，自动化研究所，中国科学院）
本文提出CLIP-AGIQA，一种基于CLIP的回归模型，利用多类别可学习提示充分挖掘视觉-文本知识，在AGIQA-3K和AIGCIQA2023基准上超越现有IQA模型，显著提升AI生成图像质量评估性能。
2025-08-06 cs.CV
Advanced Image Quality Assessment for Hand- and Fingervein Biometrics
University of Salzburg（萨尔茨堡大学）
提出了非参考图像质量测量中常用的自然场景统计和基于深度学习的质量评估方法作为血管图像的生物特征质量指标。虽然NIQE和BRISQUE如果在具有通常失真的常见图像上训练，则不能很好地用于评估脉管系统模式样本的质量，但是在大多数情况下，在高质量和低质量脉管系统样本数据上训练的它们的变体表现得与生物计量质量估计器所预期的一样（对于某些数据集或特征提取方法，发生与总体趋势的偏差）。所提出的基于深度学习的质量度量能够在大多数情况下将正确的质量类别分配给vaculature模式样本，而与正在评估的手指或手静脉模式无关。这些实验是在总共13个公开的手指和手部静脉数据集上进行的，涉及三种不同的模板表示（其中两种是专门为血管生物识别设计的）。建议（训练）的质量措施进行比较，几个经典的质量指标，其实现的结果强调其有前途的行为。
2023-02-21 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
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
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
A ParaBoost Stereoscopic Image Quality Assessment (PBSIQA) System
在这项工作中，立体图像质量评估，发现应用在3D视觉内容交付，如3DTV的问题进行了研究。具体来说，我们提出了一个新的ParaBoost（并行提升）立体图像质量评估（PBSIQA）系统。该系统包括两个阶段。在第一阶段中，各种失真被分类为几种类型，并针对特定的失真类型的个人质量评分。这些评分器提供了一个数据库组成的异构失真类型的脸的互补性能。在第二阶段，融合来自多个质量评分器的分数以实现最佳的整体性能，其中融合器基于从机器学习中借用的并行提升思想来设计。大量的实验结果进行比较的性能与现有的立体图像质量评估（SIQA）指标的建议PBSIQA系统。所开发的质量度量可以用作优化3D内容递送系统的性能的目标函数。
2016-03-31 cs.CV cs.LG
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
Multi-Scale Features and Parallel Transformers Based Image Quality Assessment
IIT Jammu（印度理工学院查谟分校）
随着多媒体内容的增加，与多媒体相关联的失真类型也在增加。图像质量评价问题在PIPAL数据集中得到了很好的扩展，这仍然是研究人员需要解决的一个开放问题。虽然，最近提出的Transformers网络已经在文献中用于图像质量评估。同时，我们注意到多尺度特征提取已被证明是一种很有前途的图像质量评估方法。然而，Transformer网络用于图像质量评估的方式到目前为止缺乏多尺度特征提取的这些性质。我们利用这一事实，在我们的方法，并提出了一个新的架构，通过整合这两个有前途的图像质量评估技术。我们在各种数据集上的实验，包括PIPAL数据集，表明所提出的集成技术优于现有的算法。所提出的算法的源代码可在线获得：https://github.com/KomalPal9610/IQA
2022-04-20 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
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
Patch-based Probabilistic Image Quality Assessment for Face Selection and Improved Video-based Face Recognition
NICTA（澳大利亚国家信息与通信技术研究院）；The University of Queensland（昆士兰大学）
在基于视频的人脸识别中，人脸图像通常在不受控制的条件下在多个帧上捕获，其中头部姿势、照明、阴影、运动模糊和焦点在序列上变化。此外，面部定位的不准确也会引入尺度和对齐变化。使用所有人脸图像，包括质量差的图像，实际上会降低人脸识别性能。虽然一种解决方案是仅使用图像的“最佳”子集，但是当前的面部选择技术不能同时处理所有上述问题。我们提出了一个有效的基于块的人脸图像质量评估算法，量化的相似性的人脸图像的概率人脸模型，代表一个“理想”的脸。影响识别的图像特征被考虑在内，包括几何对齐（移位、旋转和缩放）、锐度、头部姿势和投射阴影的变化。在FERET和PIE数据集上的实验表明，该算法能够同时识别最正面、对齐、清晰和光照良好的图像。在一个新的视频监控数据集（称为ChokePoint）上的进一步实验表明，该方法提供了比现有人脸选择技术更好的人脸子集，从而显着提高了识别精度。
2014-03-14 cs.CV stat.AP
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
Image Quality Assessment of Identity Cards Using Measures from Open Face Image Quality
da/sec - Biometrics and Internet Security Research Group, Hochschule Darmstadt（达姆施塔特应用科学大学生物识别与互联网安全研究组）
本文通过将OFIQ标准中的捕获相关质量度量应用于身份证图像，提出一种预处理流程，并分析这些度量与三种呈现攻击检测算法性能的相关性，表明基于某些OFIQ度量的质量评估可显著提升PAD性能。
2026-06-25 cs.CR cs.CV
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
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
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
Perceptual Depth Quality Assessment of Stereoscopic Omnidirectional Images
School of Computer Science and Informatics, Cardiff University（卡迪夫大学计算机科学与信息学院）；Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系）
针对立体全向图像深度质量评估研究匮乏的问题，提出基于人类视觉系统特性的无参考深度质量指数DQI，其性能优于现有方法，且结合现有图像质量评估方法可提升3D全向图像整体质量预测效果。
2024-08-19 cs.CV cs.MM eess.IV
