IQA-Spider: Unifying Multi-Granularity Image Quality Assessment with Reasoning, Grounding and Referring
University of Science and Technology of China（中国科学技术大学）
提出IQA-Spider框架，通过统一推理、定位和指代任务，实现多粒度图像质量评估，并采用两阶段设计解决现有方法仅支持部分感知维度的问题。
2026-05-23 cs.CV
Image Quality Assessment: Integrating Model-Centric and Data-Centric Approaches
City University of Hong Kong（香港城市大学）；Peng Cheng Laboratory（鹏城实验室）
针对 IQA 中模型与数据长期割裂的问题，本文提出整合二者的计算框架，并通过采样价值模块识别盲 IQA 模型失效样本，为下一代数据集构建提供依据。
2023-12-08 cs.CV
FS-IQA: Certified Feature Smoothing for Robust Image Quality Assessment
提出FS-IQA，一种基于特征空间随机平滑的IQA认证防御方法，通过分析雅可比矩阵奇异值连接特征与输入扰动，无需修改架构，推理时间大幅降低，相关性最高提升30.9%。
2025-08-07 cs.CV
Quality Assessment for AI Generated Images with Instruction Tuning
Institute of Image Communication and Network Engineering（图像通信与网络工程研究所）；Shanghai Jiao Tong University（上海交通大学）
本文构建了AIGCIQA2023+数据库，并提出基于指令微调的MINT-IQA模型，从质量、真实性和对应性多视角评估并解释人类对AI生成图像的偏好，在AIGI评估和传统IQA任务上均取得领先性能。
2025-02-02 cs.CV
CAP-IQA: Context-Aware Prompt-Guided CT Image Quality Assessment
University of Kentucky（肯塔基大学）
CAP-IQA通过整合文本先验与上下文提示，结合因果去偏技术，提升CT图像质量评估的准确性和泛化能力。
2026-01-04 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
Half of an image is enough for quality assessment
NORCE Norwegian Research Centre（挪威NORCE研究中心）；Kristiania University College（克里斯蒂安尼亚大学学院）；University of Aberdeen（阿伯丁大学）
本研究针对图像质量评估（IQA）深度模型机制研究不足的问题，提出位置掩码Transformer，发现半幅图像即可决定质量，且该结论适用于多种CNN类IQA模型，还找到三种与区域重要性高度相关的语义度量。
2023-02-09 cs.CV
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
MR-IQA: A Unified Margin View of Regression and Ranking for Blind Image Quality Assessment
Graduate School of Informatics, Kyoto University（京都大学信息学研究科）
提出MR-IQA框架，通过质量边际统一回归与排序，利用强化学习优化质量结构，在六个BIQA基准上取得领先性能。
2026-07-01 cs.CV
Revisiting MLLM Based Image Quality Assessment: Errors and Remedy
针对多模态大语言模型（MLLMs）离散token输出与图像质量评估（IQA）连续分数需求不匹配及等级token语义混淆问题，提出Q-Scorer框架，通过轻量级回归模块与专用分数token提升IQA性能与泛化能力。
2025-11-11 cs.CV
Going the Extra Mile in Face Image Quality Assessment: A Novel Database and Model
Northwestern Polytechnical University（西北工业大学）；University of Dundee（邓迪大学）；University of Konstanz（康斯坦茨大学）；Cardiff University（卡迪夫大学）
本文提出了迄今最大的人脸图像质量评估数据库及首个利用生成式先验进行盲IQA的深度学习模型，显著提升了人脸图像处理任务的精度。
2023-07-30 cs.CV
UARE: A Unified Vision-Language Model for Image Quality Assessment, Restoration, and Enhancement
School of Electronic and Computer Engineering, Peking University, 2 ByteDance Inc（1 电子与计算机工程学院，北京大学，2 字节跳动公司）
UARE是首个统一视觉-语言模型，通过统一训练框架提升图像质量评估、修复和增强性能。
2025-12-07 cs.CV
Evaluating the Stability of Deep Image Quality Assessment With Respect to Image Scaling
The University of Tokyo（东京大学）；Hitachi, Ltd.（株式会社日立制作所）
图像质量评估（IQA）是用于图像处理任务（例如，压缩）。对于全参考IQAs，传统的IQAs，如PSNR和SSIM，已经被使用。最近，还使用了基于深度神经网络（deep IQAs）的IQAs，例如LPIPS和DISTS。众所周知，图像缩放在深度IQAs之间是不一致的，因为一些执行缩小作为预处理，而另一些则使用原始图像大小。在本文中，我们表明，图像规模是影响深度IQA性能的一个有影响力的因素。我们在相同的五个数据集上综合评估了四个深度IQA，实验结果表明图像尺度显著影响IQA性能。我们发现，最合适的图像比例通常既不是默认值，也不是原始大小，并且选择取决于所使用的方法和数据集。我们可视化了稳定性，发现PieAPP是四种深度IQAs中最稳定的。
2022-07-20 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
A Survey on Image Quality Assessment: Insights, Analysis, and Future Outlook
National Institute of Health Data Science, Peking University（北京大学健康数据科学研究院）；School of Informatics, Xiamen University（厦门大学信息学院）
该综述针对图像质量评估（IQA）这一关键挑战，按应用场景分析当代通用与特定IQA方法（含传统统计度量、机器学习及深度学习模型）的优缺点，提出未来研究方向，为研究者提供参考。
2025-02-12 cs.CV
Spatial Moment Pooling Improves Neural Image Assessment
Sensetime Research（商汤科技研究院）
近年来，基于卷积神经网络（CNN）的盲图像质量评价（IQA）受到了广泛的关注。大量的工作是从CNN中提取深度特征开始的。然后，这些特征通过空间平均池化（SAP）和全连接层进行处理，以预测质量。本文在充分借鉴IQA和纹理特征的基础上，通过引入高阶矩（如方差、偏度），将SAP（$1^{st}$矩）扩展为空间矩池（SMP）。此外，我们提供了学习友好的归一化，以规避计算高阶矩梯度时的数值问题。实验结果表明，简单地将SAP升级到SMP显着增强了基于CNN的盲IQA方法，并实现了最先进的性能。
2022-09-29 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
AIM 2024 Challenge on UHD Blind Photo Quality Assessment
Sony AI（索尼人工智能）；University of Würzburg（维尔茨堡大学）；Sony PlayStation（索尼 PlayStation）；University of Florence（佛罗伦萨大学）
本文介绍了AIM 2024 UHD-IQA挑战赛，旨在基于UHD-IQA基准数据库开发在50G MACs预算内高效评估4K高分辨率照片的无参考图像质量评估模型。
2024-09-24 cs.CV
DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院）；PengCheng Laboratory（鹏城实验室）
DP-IQA利用预训练扩散模型的先验知识，通过轻量级CNN模型提升盲图像质量评估的性能和泛化能力。
2026-03-10 cs.AI cs.CV
Cross-IQA: Unsupervised Learning for Image Quality Assessment
School of Physics, Northeast Normal University（东北师范大学物理学院）
本文提出基于 ViT 的无参考图像质量评估方法 Cross-IQA，通过合成图像重建预训练从未标注数据学习质量特征，并微调线性回归预测分数，在低频退化评估上达到最先进性能。
2024-05-07 cs.AI 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
Enhancing Image Quality Assessment Ability of LMMs via Retrieval-Augmented Generation
Shanghai Jiao Tong University（上海交通大学）；Tencent（腾讯）
IQA-RAG通过检索增强生成提升LMMs图像质量评估能力，提供高效替代微调方案
2026-01-13 cs.AI cs.CV
GMC-IQA: Exploiting Global-correlation and Mean-opinion Consistency for No-reference Image Quality Assessment
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）；Shenzhen Heytap Technology Corp., Ltd.（深圳嘿哟科技有限公司）；Alibaba Group（阿里巴巴集团）；Nanchang Hangkong University（南昌航空大学）
针对无参考IQA中训练损失与GCC评价指标不一致的问题，本文提出GMC-IQA，通过可微的成对秩估计与队列机制构建GCC损失，并结合多意见特征网络提升精度、泛化性和训练稳定性。
2024-01-19 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
Dog-IQA: Standard-guided Zero-shot MLLM for Mix-grained Image Quality Assessment
Shanghai Jiao Tong University（上海交通大学）；The Chinese University of Hong Kong（香港中文大学）；Huawei Technologies Ltd.（华为技术有限公司）
提出无需训练的零样本混合粒度图像质量评估方法 Dog-IQA，通过模仿人类专家的推理流水线结合局部与全局信息进行标准引导的客观评分，在跨数据集场景下达到SOTA性能。
2024-10-10 cs.AI cs.CV
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
AU-IQA: A Benchmark Dataset for Perceptual Quality Assessment of AI-Enhanced User-Generated Content
Shanghai Jiao Tong University（上海交通大学）；McMaster University（麦斯特大学）；Suzhou Key Laboratory of Artificial Intelligence（苏州人工智能重点实验室）
针对AI增强用户生成内容缺乏专门感知质量评估模型的问题，构建了包含4800张图像的AU-IQA基准数据集，并全面评估了现有IQA方法与大型多模态模型在该数据集上的表现。
2025-08-11 cs.CV eess.IV
Multi-Granularity Reasoning for Image Quality Assessment via Attribute-Aware Reinforcement Learning to Rank
Henan Polytechnic University（河南理工大学）
本文提出MG-IQA框架，通过属性感知强化学习排序实现图像质量及细粒度属性的联合评估，提升整体质量预测和属性评估性能。
2026-04-07 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
StyleAM: Perception-Oriented Unsupervised Domain Adaption for Non-reference Image Quality Assessment
University of Science and Technology of China（中国科学技术大学）
深度神经网络（DNN）在非参考图像质量评估（NR-IQA）中显示出巨大的潜力。然而，NR-IQA的注释是劳动密集型和耗时的，这严重限制了它们的应用，特别是对真实图像。为了减轻对质量注释的依赖，一些工作将无监督的领域自适应（UDA）应用于NR-IQA。然而，上述方法忽略了在分类中使用的对齐空间是次优的，因为该空间不是针对感知精心设计的。为了解决这一问题，本文提出了一种面向感知的无监督领域自适应方法StyleAM，通过Style align和Mixup将丰富标签源域数据中的知识转移到无标签目标域图像中。具体来说，我们找到了一个更紧凑和可靠的空间，即，面向感知的UDA的特征样式空间基于有趣/惊人的观察，特征样式（即，DNN中深层的平均值和方差）与NR-IQA中的质量分数精确地相关联。因此，我们建议在一个更面向感知的空间中对齐源域和目标域，即，特征风格空间，以减少其他质量无关的特征因素的干预。此外，为了提高质量分数与其特征风格之间的一致性，我们还提出了一种新的特征增强策略Style Mixup，该策略混合了特征风格（即，平均值和方差）以及混合它们的标签。在两个典型的跨域设置（即，合成到真实，以及多个失真到一个失真）已经证明了我们提出的StyleAM对NR-IQA的有效性。
2022-07-29 cs.CV
AgenticIQA: An Agentic Framework for Adaptive and Interpretable Image Quality Assessment
Nanyang Technological University（南洋理工大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；Zhejiang University（浙江大学）；South China Normal University（华南师范大学）；Alibaba DAMO Academy（阿里巴巴达摩院）；City University of Hong Kong（香港城市大学）
针对传统图像质量评估方法适配性弱、可解释性不足且评分与解读割裂的问题，提出集成视觉语言模型与传统工具的模块化智能体框架AgenticIQA，配套构建专用数据集与基准，实验证明其在评分准确率和解释一致性上均优于强基线。
2025-10-01 cs.CV
Content-Diverse Comparisons improve IQA
University of Amsterdam（阿姆斯特丹大学）；Sony AI（索尼AI）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
图像质量评估（IQA）对人类来说是一项自然且通常简单的任务，但有效的自动化任务仍然极具挑战性。来自深度学习社区的最新指标通常在训练期间比较图像对，以改进传统指标，如PSNR或SSIM。然而，目前的比较忽略了图像内容影响质量评估的事实，因为比较只发生在内容相似的图像之间。这限制了模型在训练期间暴露的图像对的多样性和数量。在本文中，我们努力丰富这些比较与内容多样性。首先，我们放松比较约束，并比较具有不同内容的图像对。这增加了可用比较的多样性。其次，我们引入了列表比较，以提供对模型的整体视图。通过包含从相关系数导出的可微正则化器，模型可以更好地调整相对于彼此的预测分数。多个基准，涵盖了广泛的失真和图像内容的评估，显示了我们的学习计划的有效性，训练图像质量评估模型。
2022-11-09 cs.CV
An Image Quality Assessment Dataset for Portraits
DXOMARK；New York University（纽约大学）
本文提出PIQ23人像IQA数据集，含100部手机拍摄的5116张图像，由专家成对比较标注三个属性，并证明语义信息可提升盲图像质量评估预测性能。
2023-04-12 cs.CV
Refine-IQA: Multi-Stage Reinforcement Finetuning for Perceptual Image Quality Assessment
本文提出多阶段强化微调框架Refine-IQA，通过构建Refine-Perception-20K数据集增强模型视觉质量感知，并引入概率差异奖励监督“思考”过程，在IQA感知、评分及质量解释任务上取得卓越性能。
2025-08-15 cs.AI cs.CV
NTIRE 2022 Challenge on Perceptual Image Quality Assessment
本文报告了NTIRE 2022感知图像质量评估（IQA）挑战赛，该挑战赛与CVPR 2022上的图像复原和增强研讨会（NTIRE）新趋势研讨会一起举行。这一挑战是为了通过感知图像处理算法来解决IQA的新兴挑战。这些算法的输出图像具有与传统失真完全不同的特征，并包含在本次挑战中使用的PIPAL数据集中。该挑战分为两个轨道，一个是与之前的NTIRE IQA挑战类似的完整参考IQA轨道，另一个是专注于无参考IQA方法的新轨道。挑战赛有192名和179名注册参与者参加两个轨道。在最后的测试阶段，7和8个参与团队提交了他们的模型和情况说明书。几乎所有的方法都取得了比现有的IQA方法更好的结果，并且获胜的方法可以展示最先进的性能。
2022-06-23 cs.CV eess.IV
Algorithm Selection for Image Quality Assessment
University of Adelaide（阿德莱德大学）；University of Konstanz（康斯坦茨大学）；University of Kent（肯特大学）
主观感知图像质量可以在实验室研究中由人类观察者评估。客观图像质量评估（IQA）是指用于估计平均主观质量评级的算法。已经提出了许多这样的方法，无论是盲IQA，其中没有原始参考图像是可用的，以及为全参考的情况下。我们比较了8个最先进的盲IQA算法，并表明，一个预言机，能够预测任何给定的输入图像的最佳性能的方法，产生一个混合的方法，甚至可以优于最好的单一现有方法的大幅度。在这方面的贡献，我们解决的研究问题是否建立的方法来学习这样一个预言可以提高盲IQA。我们应用了AutoFolio，这是一个最先进的系统，可以训练算法选择器为给定实例选择性能良好的算法。我们还训练了深度神经网络来预测最佳方法。我们的研究结果没有给出肯定的答案，算法选择并没有产生比单一最佳方法显著的改善。深入研究结果，我们观察到图像中的噪声可能在我们训练的分类器无法预测预言的原因中发挥了作用。这激发了IQA方法中对噪声的考虑，这是一种迄今为止尚未观察到的属性，它开辟了几个有趣的新研究问题和应用。
2019-08-19 cs.CV
Exploring Vulnerabilities of No-Reference Image Quality Assessment Models: A Query-Based Black-Box Method
本文提出一种基于查询的黑盒攻击方法，利用分数边界和自适应迭代策略结合人类视觉系统特性，有效揭示无参考图像质量评估模型的脆弱性。
2024-04-26 cs.CV eess.IV
Attentions Help CNNs See Better: Attention-based Hybrid Image Quality Assessment Network
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；University College London（伦敦大学学院）
图像质量评价（IQA）算法旨在量化人类对图像质量的感知。不幸的是，在评估具有看似真实纹理的生成对抗网络（GAN）生成的失真图像时，性能会下降。在这项工作中，我们推测，这种适应不良在于骨干的IQA模型，其中补丁级预测方法使用独立的图像补丁作为输入，分别计算他们的分数，但缺乏图像补丁之间的空间关系建模。因此，我们提出了一种基于注意力的混合图像质量评估网络（AHIQ）来应对挑战，并在基于GAN的IQA任务上获得更好的性能。首先，我们采用了两个分支的架构，包括视觉Transformer（ViT）分支和卷积神经网络（CNN）分支的特征提取。该混合架构结合了ViT捕获的图像块之间的交互信息和来自CNN的局部纹理细节。为了使来自浅层CNN的特征更集中于视觉显著区域，在来自ViT分支的语义信息的帮助下应用可变形卷积。最后，我们使用一个补丁的分数预测模块，以获得最终的分数。实验表明，我们的模型在四个标准IQA数据集上的性能优于最先进的方法，AHIQ在NTIRE 2022感知图像质量评估挑战赛的全参考（FR）轨道上排名第一。
2022-04-22 cs.CV
SAM-IQA: Can Segment Anything Boost Image Quality Assessment?
Megvii Technology（旷视科技）；University of Electronic Science and Technology of China（电子科技大学）
本文提出 SAM-IQA，利用 Segment Anything 编码器提取高层语义特征，并结合空间域与频域特征，在四个代表性数据集上超越现有最先进方法，验证了该思路对图像质量评估任务的有效性。
2023-07-10 cs.CV eess.IV
Exploring Image Quality Assessment from a New Perspective: Pupil Size
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）
该研究从瞳孔大小视角探索图像质量评估对认知的影响，通过含自由观察与IQA任务的主观实验，发现评估时会激活视觉注意机制且瞳孔变化与图像质量相关，为IQA研究提供理论与新方法支撑。
2025-05-20 cs.CV eess.IV
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
IQA-T1: Tool-based Visual Evidence Reasoning for Image Quality Assessment
School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机科学学院）；The Hong Kong University of Science and Technology（香港科技大学）
针对开放世界图像质量评估难题，提出IQA-T1框架，通过自主调用工具生成视觉证据增强多模态大语言模型推理，构建Q-Tool数据集，实验表明该框架性能最佳且评估可解释、基于证据。
2026-07-15 cs.AI cs.CV eess.IV
The Unanticipated Asymmetry Between Perceptual Optimization and Assessment
Institute of Microelectronics of the Chinese Academy of Sciences（中国科学院微电子研究所）；Beihang University（北航）；The Hong Kong Polytechnic University（香港理工大学）；City University of Hong Kong（香港城市大学）
本文系统分析发现感知优化与图像质量评估之间存在非对称性：IQA中优秀的保真度指标未必利于优化，且判别器设计（补丁级/卷积优于普通/Transformer）对细节重建起关键作用。
2025-09-25 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
MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment
Xidian University（西安电子科技大学）；China University of Mining and Technology（中国矿业大学）
最近，人们对利用深度卷积神经网络（DCNN）进行无参考图像质量评估（NR-IQA）越来越感兴趣。尽管取得了显著的成功，但人们普遍认为，训练DCNN严重依赖于大量注释数据。IQA是一个典型的小样本问题。因此，大多数现有的基于DCNN的IQA指标都是基于预先训练的网络进行操作的。然而，这些预先训练的网络不是为IQA任务设计的，这导致了在评估不同类型的失真时的泛化问题。基于这种动机，本文提出了一种基于深度元学习的无参考IQA度量。其基本思想是学习人类在评估具有各种失真的图像质量时共享的元知识，然后可以容易地适应未知的失真。具体来说，我们首先收集了一些NR-IQA任务的不同失真。然后采用元学习的方法学习各种失真共享的先验知识。最后，在目标NR-IQA任务上对质量先验模型进行微调，以快速获得质量模型。大量的实验表明，所提出的度量优于国家的最先进的一个很大的保证金。此外，从合成失真中学习的元模型也可以很容易地推广到真实失真，这在IQA度量的实际应用中是非常需要的。
2020-04-11 cs.CV eess.IV
LMM-IQA: Image Quality Assessment for Low-Dose CT Imaging
Department of Electronics and Communication Engineering, Istanbul Technical University（电子与通信工程系，伊斯坦布尔技术大学）
本文提出基于大语言模型的低剂量CT图像质量评估系统LMM-IQA，同时输出数值评分与退化文本描述，并系统验证零样本、元数据集成和错误反馈等推理策略对性能的逐步提升作用。
2025-11-10 cs.AI cs.CV
Scene Perceived Image Perceptual Score (SPIPS): combining global and local perception for image quality assessment
Futurewei Technologies Inc（未来科技公司）
针对现有图像质量评估方法难以适应深度神经网络后处理图像的问题，本文提出SPIPS模型，通过解耦深度特征为语义与感知细节并结合传统指标，实现更符合人类视觉感知的评估。
2025-04-24 cs.CV
MD-IQA: Learning Multi-scale Distributed Image Quality Assessment with Semi Supervised Learning for Low Dose CT
Subtle Medical（深睿医疗）；Fudan University（复旦大学）；East China Normal University（华东师范大学）；Shanghai Sixth People's Hospital（上海市第六人民医院）
提出MD-IQA方法，结合多尺度分布回归、双分支对齐网络和半监督学习，提升低剂量CT图像质量评估的泛化性和准确性。
2023-11-14 cs.CV cs.LG eess.IV
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
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
Subjective Quality Assessment for Images Generated by Computer Graphics
Shanghai Jiao Tong University（上海交通大学）
随着绘制技术的发展，计算机图形生成图像（CGI）已广泛应用于建筑设计、视频游戏、模拟器、电影等实际应用场景中。与自然场景图像（NSIs）不同，CGI的失真通常是由于绘制设置不佳和计算资源有限造成的。更重要的是，一些CGI也可能遭受云游戏和流媒体等传输系统的压缩失真。然而，计算机图形学生成的图像质量评价（CG-IQA）问题的研究却十分有限。因此，在本文中，我们建立了一个大规模的主观CG-IQA数据库，以应对CG-IQA任务的挑战。我们通过以前的数据库和个人收集收集了25，454个野生CGI。经过数据清洗后，我们精心挑选了1,200个CGI进行主观实验。几个流行的无参考图像质量评估（NR-IQA）方法在我们的数据库进行了测试。实验结果表明，基于手写体的方法与主观判断的相关性较低，基于深度学习的方法性能相对较好，说明现有的NR-IQA模型不适合CG-IQA任务，迫切需要更有效的模型。
2022-06-10 cs.CV cs.GR
Tool-IQA: Augmenting Image Quality Assessment with Simple Tools
National University of Singapore（新加坡国立大学）；OPPO Research Institute（OPPO研究院）；Nanyang Technical University（南洋理工大学）；Duke University（杜克大学）；City University of Hong Kong（香港城市大学）；The Hong Kong Polytechnic University（香港理工大学）
提出Tool-IQA，通过为视觉语言模型配备放大镜和伽马校正器等简单工具，将被动评分转变为工具增强的工作流程，显著提升图像质量评估性能。
2026-06-16 cs.AI 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
IQA-Adapter: Exploring Knowledge Transfer from Image Quality Assessment to Diffusion-based Generative Models
MSU Institute for Artificial Intelligence（莫斯科国立大学人工智能研究所）；ISP RAS Research Center for Trusted Artificial Intelligence（俄罗斯科学院信息学与自动化研究所可信人工智能研究中心）；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Yandex（Yandex公司）
针对扩散模型难以稳定生成高质量图像的问题，提出 IQA-Adapter 框架，利用 IQA 模型的分数与激活实现质量条件生成及参考质量迁移。
2025-03-16 cs.AI cs.CV
