Deep Quality Assessment of Compressed Videos: A Subjective and Objective Study
Fuzhou University（福州大学）
在视频编码过程中，压缩视频的感知质量通过全参考质量评估度量来评估。然而，很难获得具有完美质量的参考视频。为了解决这一问题，设计无参考压缩视频质量评估算法至关重要，该算法可以帮助测量服务器端的体验质量和网络端的资源分配。卷积神经网络（CNN）在视频质量评价中显示出了巨大的优势，近年来取得了很大的成功。大规模的质量数据库对于学习准确和强大的压缩视频质量度量非常重要。在这项工作中，采用半自动标记方法来建立一个大规模的压缩视频质量数据库，这使我们能够标记大量的压缩视频与可管理的人力工作量。由此产生的具有半自动评级（CVSAR）的压缩视频质量数据库是迄今为止最大的压缩视频质量数据库。我们训练一个无参考的压缩视频质量评估模型与三维CNN时空特征提取和评估（STFEE）。实验结果表明，该方法优于国家的最先进的指标，并取得了良好的跨数据库测试的泛化性能。CVSAR数据库和STFEE模型将公开提供，以促进可重复的研究。
2022-05-07 cs.CV eess.IV
Bridging the Gap Between Saliency Prediction and Image Quality Assessment
Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Yandex；AIRI, Moscow, Russia（莫斯科俄罗斯AI研究所）；MSU Institute for Artificial Intelligence（莫斯科大学人工智能研究所）
本文通过实证研究揭示了图像质量评估与显著性预测任务间的关系，证明前者包含后者知识，并引入新的SACID数据集对经典及神经IQA方法进行大规模比较。
2025-06-27 cs.CV eess.IV
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
Revolutionizing Space Health (Swin-FSR): Advancing Super-Resolution of Fundus Images for SANS Visual Assessment Technology
University of Nevada, Reno（内华达大学雷诺分校）；University of Michigan（密歇根大学）；Houston Methodist Hospital（休斯顿卫理公会医院）
针对低带宽眼底图像传输与SANS评估需求，提出融合空间和深度注意力的Swin-FSR超分辨率模型，在三个公开数据集及NASA私有SANS数据集上表现优异。
2023-08-11 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
JPEG AIC2026: A large-scale dataset for fine-grained assessment of image coding
University of Konstanz（康斯坦茨大学）；Cloudinary（Cloudinary公司）；IST-IT（IST-IT机构）；Fraunhofer IIS（弗劳恩霍夫应用固体物理研究所）；Huawei（华为公司）；Takushoku University（拓殖大学）；IT-UBI（IT-UBI机构）；EPFL（洛桑联邦理工学院）
为满足图像编码质量细粒度评估需求，介绍AIC2026数据集。从众多候选图像中选70张源图像，经多种方式筛选。涵盖多种编解码器及配置产生的伪像，对源图像编码后获大量失真图像，用多种IQA方法分析发现当前方法在细粒度质量评估上分歧大。
2026-07-28 cs.CV eess.IV
A FUNQUE Approach to the Quality Assessment of Compressed HDR Videos
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Meta Platforms, Inc.（Meta平台公司）
针对压缩HDR视频全参考质量评估需求，本研究提出高效的FUNQUE+模型，相比现有最优方法HDRMAX增强的VMAF，以更低计算成本实现了更高的预测精度，提供了灵活的替代方案。
2023-12-13 cs.CV eess.IV
CompressedVQA-HDR: Generalized Full-reference and No-reference Quality Assessment Models for Compressed High Dynamic Range Videos
East China Normal University（华东师范大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出CompressedVQA-HDR框架，通过基于Swin Transformer和SigLip 2构建全参考与无参考模型，结合预训练与混合数据集微调策略，有效解决了压缩高动态范围视频的质量评估泛化难题并达到SOTA性能。
2025-07-16 cs.CV eess.IV
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
Compressed Image Quality Assessment Based on Saak Features
压缩图像质量评价在图像服务中，特别是在图像压缩应用中起着重要的作用，可以用来指导图像处理算法的优化。在本文中，我们提出了一个客观的图像质量评估算法来衡量压缩图像的质量。该方法利用数据驱动的变换，Saak（子空间近似与增强内核），分解图像到层次结构特征空间。我们测量Saak特征的失真，并根据特征对人类视觉系统的重要性来累积这些失真。与现有的图像质量评价方法相比，该方法与主观评价结果的相关性更好。此外，所提出的方法在不同的数据集上实现了更鲁棒的结果。
2019-05-16 cs.MM eess.IV
InternVQA: Advancing Compressed Video Quality Assessment with Distilling Large Foundation Model
University of Science and Technology of China（中国科学技术大学）
本文提出蒸馏InternVideo2的轻量级模型InternVQA，用于压缩视频质量评估，在实验中表现优异。
2025-02-26 cs.AI cs.CV eess.IV
AIM 2024 Challenge on Compressed Video Quality Assessment: Methods and Results
本文报告了AIM 2024压缩视频质量评估挑战赛的结果，基于459个视频和14种编解码器评估VQA方法性能，并公开数据集与基准。
2024-10-22 cs.CV cs.MM eess.IV
Generative Imaging and Image Processing via Generative Encoder
National University of Singapore（新加坡国立大学）
本文介绍了一种新的生成式编码器（GE）模型，用于生成式成像和图像处理，并将其应用于压缩感知和成像、图像压缩、去噪、修复、去模糊和超分辨率等领域。GE模型由预训练阶段和求解阶段组成。在预训练阶段，我们分别训练两个深度神经网络：生成对抗网络（GAN），其生成器$\G$捕获给定图像集的数据分布，以及自动编码器（AE）网络，其编码器$\EN$根据GAN的估计分布压缩图像。在求解阶段，给定噪声图像$x=\mathcal{P}(x^*)$，其中$x^*$是目标未知图像，$\mathcal{P}$是添加加性或乘性或卷积噪声的算子，或者等效地给定压缩域中的这种图像$x$，即，给定$m=\EN(x)$，我们通过$\hat{x}:=\G(z^*)\approx x^*$以生成方式解决优化问题\[ z^*=\underset{z}{\mathrm{argmin}} \|\EN(\G(z))-m\|_2^2+λ\|z\|_2^2 \]以恢复图像$x^*$，其中$λ>0$是超参数。GE模型将GANs的生成能力和AE的稳定性统一在上述优化框架中，而不是将GANs和AE堆叠到单个网络中或将它们的损失函数组合到一个网络中。数值实验表明，该模型的性能优于几个国家的最先进的算法。
2019-05-23 cs.CV cs.LG eess.IV
Subjective Quality Assessment of Compressed Tone-Mapped High Dynamic Range Videos
本文构建了首个大规模压缩色调映射HDR视频开源主观质量数据库LIVE-TMHDR，包含1.5万个序列和75万条标注，并通过对客观质量模型进行基准测试证明了其实用性，以推动HDR视频色调映射与质量评估的发展。
2024-03-22 cs.CV 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
CameraVDP: Perceptual Display Assessment with Uncertainty Estimation via Camera and Visual Difference Prediction
University of Cambridge（剑桥大学）
本文提出CameraVDP框架，将相机重建流程与视觉差异预测器结合，实现显示器的感知评估，并通过不确定性分析提供缺陷检测性能上限和VDP质量分数的置信区间。
2025-09-21 cs.CV cs.GR
Saliency-Aware Spatio-Temporal Artifact Detection for Compressed Video Quality Assessment
Fuzhou University（福州大学）
本文提出显著感知时空伪影测量（SSTAM），结合视觉显著性模型和改进的TimeSFormer，检测六种压缩视频伪影，提升视频质量评估性能。
2023-01-03 cs.CV cs.IR eess.IV
MUG: A Parameterless No-Reference JPEG Quality Evaluator Robust to Block Size and Misalignment
McGill University（麦吉尔大学）；École de technologie supérieure（高等技术学院）
在这封信中，一个非常简单的无参考图像质量评估（NR-IQA）模型的JPEG压缩图像的建议。所提出的度量称为唯一梯度的中值（MUG）是基于JPEG压缩图像的唯一梯度幅度的非常简单的事实。MUG是一个无参数的度量，不需要训练。与其他NR-IQAs不同，MUG与块大小和裁剪无关。还引入了一个称为MUG+的更稳定的索引。在六个自然图像基准数据集和一个合成图像基准数据集上的实验结果表明，MUG与文献中的最新索引具有可比性。此外，它的性能保持不变的情况下，其中块边界是未知的裁剪图像。建议指标的MATLAB源代码可在https://dl.dropboxusercontent.com/u/74505502/MUG.m和https://dl.dropboxusercontent.com/u/74505502/MUGplus.m上获得。
2016-09-19 cs.CV
Image Compression with SVD : A New Quality Metric Based On Energy Ratio
Higher Institute of Technology Diego-Suarez（迭戈-苏亚雷斯高等技术学院）；Higher Polytechnic School of Antananarivo（塔那那利佛高等理工学院）
数字图像压缩是一种允许减小图像大小以增加存储设备容量并优化网络带宽使用的技术。基于离散余弦变换或小波变换的压缩图像质量通常用PSNR或SSIM来衡量。这些度量不适用于奇异值分解压缩的图像。本文提出了一种新的基于能量比的图像质量度量标准。对512 * 512像素图像的一系列测试表明，对于对应于SSIM = 0.94或PSNR = 35 dB的秩k = 40，恢复了99.9%的能量。确定了三个图像质量评估领域。这种新的度量也是非常准确的，可以克服PSNR和SSIM的弱点。
2017-01-22 cs.CV
RBFIM: Perceptual Quality Assessment for Compressed Point Clouds Using Radial Basis Function Interpolation
School of Electronics and Information, Northwestern Polytechnical University（电子与信息学院，西北工业大学）；School of Engineering, Royal Melbourne Institute of Technology（工程学院，皇家墨尔本理工学院）；Department of Computer Science, City University of Hong Kong（计算机科学系，香港城市大学）；School of Telecommunication Engineering, Xidian University（电信工程学院，西安电子科技大学）
RBFIM通过径向基函数插值提升压缩点云的感知质量评估，有效解决点云对应问题，为PCC优化提供支持。
2025-03-18 cs.CV cs.MM eess.IV
Deep Learning-based Compression Detection for explainable Face Image Quality Assessment
Technische Hochschule Brandenburg（布兰登堡应用技术大学）；secunet Security Networks AG（secunet安全网络股份公司）；Hochschule Darmstadt（达姆施塔特应用技术大学）
本文提出基于 EfficientNetV2 的 JPEG/JPEG 2000 人脸压缩伪影检测方法，利用 PSNR、SSIM 标签训练，错误率仅2%至3%，并可通过剔除严重压缩图像显著降低人脸识别错误。
2025-01-07 cs.CV
Super Efficient Neural Network for Compression Artifacts Reduction and Super Resolution
Amazon Lab126（亚马逊Lab126）
针对流媒体低码率下压缩伪影及现有方法无法同步消伪影与超分的问题，提出带增强特征层和定制数据集的轻量CNN算法，可同步完成两项任务，VMAF得分较传统方法提升4-6分。
2024-01-26 cs.CV eess.IV
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
GScomp-QA: A Subjective Dataset for Quality Assessment of Compressed Gaussian Splatting
Instituto de Telecomunicações, Instituto Superior Técnico, University of Lisbon（电信研究所，高等技术学院，里斯本大学）
针对高斯泼溅压缩缺乏评估数据集的问题，构建了包含331个视频刺激的主观质量评估数据集GScomp-QA，并通过率失真分析和18种客观指标评估现有压缩方案。
2026-09-21 cs.MM eess.IV
Comparing H.265/HEVC and VP9: Impact of High Frame Rates on the Perceptual Quality of Compressed Videos
已知高帧速率可以增强特定视频内容的感知视觉质量。然而，缺乏对高帧速率的研究限制了该研究领域的扩展，特别是在全高清（FHD）和4K超高清视频格式的背景下。这项研究涉及到压缩FHD视频的主观和客观质量评估。首先，我们通过采用高效视频编码和VP 9在五个量化参数级别上对多个帧速率压缩FHD视频，即，15 fps、30 fps和60 fps。FHD视频从高帧率视频数据库BVI-HFR获得，跨越各种场景、颜色和运动，并且被示出为BBC广播内容的代表。其次，进行编码器和各个帧速率的压缩视频的详细的主观质量评估，从而以反映体验质量的差分平均意见得分的形式得到主观测量。特别是，其目的是调查压缩的感知质量的压缩FHD视频的影响，并比较两种编码器的性能为每个帧速率。最后，11个国家的最先进的客观质量评估指标的基准使用的主观测量，调查的相关性作为两个模型之间的相关系数的统计评价。在广泛的调查后，提出了一种增强全参考（FR）视频质量测量（VQM）的质量估计的建议。
2020-06-04 eess.IV
CAMP-VQA: Caption-Embedded Multimodal Perception for No-Reference Quality Assessment of Compressed Video
School of Computer Science, University of Bristol（布里斯托大学计算机科学学院）
本文提出CAMP-VQA框架，利用大型视觉-语言模型生成细粒度质量字幕，融合语义、时间与空间多模态特征进行压缩视频无参考质量评估，在多个UGC数据集上以SRCC 0.928和PLCC 0.938超越现有方法。
2025-11-10 cs.CV cs.MM eess.IV
Perceptual Quality Assessment of Face Video Compression: A Benchmark and An Effective Method
City University of Hong Kong（香港城市大学）；Nanyang Technological University（南洋理工大学）
本文构建了包含3240个压缩人脸视频片段的大规模CFVQA数据库，并提出FAVOR质量评估指标，系统解决了人脸视频压缩中多样化失真的感知质量评估问题。
2023-10-29 cs.AI cs.CV cs.LG
PCQA-GRAPHPOINT: Efficients Deep-Based Graph Metric For Point Cloud Quality Assessment
Université d'Orléans（奥尔良大学）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；CentraleSupélec（中央理工-高等电力学院）
随着沉浸式技术的出现和人们对交互式几何格式的兴趣越来越大，3D点云（PC）已经成为显示3D视觉信息的一种有前途的解决方案和有效手段。除了沉浸式应用中的其他挑战之外，压缩3D内容的客观和主观质量评估仍然是悬而未决的问题，也是一个值得研究的领域。然而，大多数研究领域的努力忽略了点之间的局部几何结构表示。在本文中，我们克服了这一限制，引入了一种新的和有效的客观度量点云质量评估，通过学习本地固有的依赖关系，使用图神经网络（GNN）。为了评估我们的方法的性能，已经使用了两个著名的数据集。结果表明，我们的解决方案的有效性和可靠性相比，国家的最先进的指标。
2022-11-04 cs.CV eess.IV
Subjective Quality Database and Objective Study of Compressed Point Clouds With 6DoF Head-Mounted Display
该研究构建了含340个失真样本的6DoF沉浸式点云主观质量数据库SIAT-PCQD，提出两种基于投影的客观PCQA方法，为点云处理及VR应用提供支撑。
2021-08-03 eess.IV
Learning to Classify New Foods Incrementally Via Compressed Exemplars
Elmore School of Electrical and Computer Engineering, Purdue University（普渡大学埃尔莫尔电气与计算机工程学院）
针对食品图像分类系统因静态数据集无法适配动态食品数据、持续学习中存在灾难性遗忘且内存缓冲区容量有限的问题，提出基于持续学习的神经图像压缩方法扩展缓冲区存储更多样本，在多个数据集上提升了分类准确率，且方法可推广至其他持续学习领域。
2024-04-11 cs.CV eess.IV
Predicting the Quality of Compressed Videos with Pre-Existing Distortions
在过去的十年中，在线视频行业极大地扩展了通过互联网流式传输和共享的视觉数据量。此外，由于视频捕获越来越容易，数百万消费者创建和上传大量用户生成内容（UGC）视频。与由专业摄像师和电影摄影师制作的流媒体电视或电影内容不同，UGC视频通常由技能有限和技术不完善的天真用户捕获，并且经常受到高度多样化和混合的捕获失真的困扰。然后，这些UGC视频通常被上传到云服务器上进行共享，在那里它们被进一步压缩以进行存储和传输。我们的论文解决了预测压缩视频质量的高度实际问题（也许在压缩过程中，以帮助指导它），只有（可能严重）失真的UGC视频作为参考。为了解决这个问题，我们开发了一个新的视频质量评估（VQA）框架，我们称之为1stepVQA（以区别于我们讨论的两步方法）。1stepVQA通过利用自然视频和失真视频的统计特性，克服了全参考，减少参考和无参考VQA模型的局限性。我们表明，1stepVQA是能够更准确地预测压缩视频的质量，不完美的参考视频。我们还描述了一个新的专用视频数据库，其中包括（通常是扭曲的）UGC参考视频，以及大量的压缩版本。我们表明，在这种情况下，1stepVQA模型优于其他VQA模型。我们在https://live.ece.utexas.edu/research/onestep/index.html免费提供专用的新数据库
2020-04-06 eess.IV
3DGS-VBench: A Comprehensive Video Quality Evaluation Benchmark for 3DGS Compression
Shanghai Jiao Tong University（上海交通大学）；Basis Independent Silicon Valley（基础独立硅谷）；University of Missouri-Kansas City（密苏里大学-堪萨斯城）
针对3DGS压缩技术引入的失真缺乏系统评估的问题，构建了大规模视频质量评估基准3DGS-VBench，包含660个压缩模型与视频序列，并全面评估了6种压缩算法与15种质量评估指标，推动了专用VQA模型训练及相关研究。
2025-08-09 cs.CV eess.IV
Full-reference Video Quality Assessment for User Generated Content Transcoding
针对UGC转码中现有质量指标无法准确评估非原始参考内容的问题，提出一种基于质量排序Siamese结构和弱监督训练的全参考深度视频质量指标，在YouTube-UGC VP9和LIVE-Wild上达到最先进性能。
2023-12-19 eess.IV
ReLaX-VQA: Residual Fragment and Layer Stack Extraction for Enhancing Video Quality Assessment
School of Computer Science, University of Bristol（布里斯托大学计算机科学学院）
本文提出无参考视频质量评估模型ReLaX-VQA，通过帧差选择时空片段并结合残差网络与视觉Transformer的层级堆叠特征，在四个UGC数据集上取得领先性能。
2025-03-12 cs.CV cs.MM eess.IV
Which One is Better: Assessing Objective Metrics for Point Cloud Compression
点云压缩技术近年来取得了令人瞩目的成就。与此同时，点云质量评价也取得了可喜的发展。最近出现的一些指标在公共点云评估数据库上表现出强大的性能。然而，这些指标尚未专门针对PCC进行评估，以验证它们是否表现出与主观感知一致的性能。在本文中，我们建立了一个新的数据集的压缩评价，它包含了175个压缩点云，来自7个压缩算法，5个压缩级别。然后利用建议的数据集，我们评估现有的PCQA指标在不同压缩类型方面的性能。结果表明，现有的压缩评价指标的一些不足之处。
2021-09-15 eess.IV
Activating Frequency and ViT for 3D Point Cloud Quality Assessment without Reference
Mines Saint-Etienne, Univ Lyon, CNRS（法国国立圣埃蒂安矿业学院、里昂大学、法国国家科学研究中心）
针对压缩三维点云的无参考质量评估问题，提出融合频率幅值并结合 DCN 与 ViT 的轻量级混合模型，在多个数据集上取得优于现有 NR-PCQA 及部分 FR-PCQA 方法的性能。
2023-12-10 cs.CV cs.LG cs.MM
BASICS: Broad quality Assessment of Static point clouds In Compression Scenarios
本文引入了大规模静态点云质量评估数据集BASICS，包含75个点云经四种算法压缩后的近1500个样本，由3500名参与者评估，并基准测试了现有指标以促进更精确的质量指标的发展。
2024-11-18 cs.GR cs.MM eess.IV
Subjective and Objective Quality Assessment of Rendered Human Avatar Videos in Virtual Reality
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Meta Platforms Inc.（Meta平台公司）
本文提出LIVE-Meta数据库，用于评估虚拟现实中人形仿真的视频质量，引入HoloQA模型并提供公开数据集。
2024-10-02 eess.IV
Applicability limitations of differentiable full-reference image-quality
Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）；Dubna State University（杜布纳国立大学）
主观图像质量测量在图像处理应用的发展中起着至关重要的作用。视觉质量度量的目的是近似主观评估的结果。在这方面，越来越多的指标正在开发中，但很少有研究考虑其局限性。本文解决了这一缺陷：我们展示了压缩前的图像预处理如何人为地增加流行的指标DISTS，LPIPS，HaarPSI和VIF提供的质量分数，以及这些分数如何与主观质量分数不一致。我们提出了一系列神经网络预处理模型，在JPEG压缩图像的情况下，将DISTS提高了34.5%，LPIPS提高了36.8%，VIF提高了98.0%，HaarPSI提高了22.6%。预处理图像的主观比较表明，对于我们检查的大多数指标，视觉质量下降或保持不变，限制了这些指标的适用性。
2023-01-04 cs.CV cs.GR cs.MM
