本文介绍了一种利用大规模图像数据库和学习排名算法的无意见学习盲图像质量评估模型的方法，并成功提出了新的质量推断指数 dipIQ 和 dilIQ。在四个基准图像质量数据库上的实验证明，dipIQ 在精度和鲁棒性方面的优势，相较于现有方法已达到了最佳水平。

Apr, 2019

通过多个畸变场景下的图像数据库训练，我们提出的盲视觉质量评估深度网络模型可以有效地在实验室和野外进行盲目评估，比以前的方法具有更高的评估精度。

Jul, 2019

本文提出一种针对颗粒图像质量评估自我监督学习的预测任务方法，通过约束学习过程并设计质量感知对比损失，并基于改进的退化过程形成了一个约 $2 imes10^7$ 的退化空间。实验结果表明该方法显著提高了常见 BIQA 数据集上的性能。

Mar, 2023

本综述对盲图像质量评估 (BIQA) 领域的最新发展和新兴趋势进行了全面分析和讨论，包括专注于特定畸变和通用方法的手工制作 BIQA、采用监督和无监督学习技术的深度学习 BIQA，以及考虑视觉与音频、视觉与文本模态之间相互作用的多模态质量评估方法。同时，还探讨了代表性的 BIQA 数据库，包括合成和真实畸变。我们相信，本综述对视觉质量社区的最新进展和新兴趋势提供了有价值的理解。

Dec, 2023

提出了一种新的概率图像质量表示方法（PQR），用于训练深度 BIQA 模型，该方法不仅可以加速深度模型训练的收敛，而且相对于标量质量得分回归方法，也可以极大地提高可实现的质量预测精度。

Aug, 2017

提出了一种基于多任务学习的盲图像质量评估方法，可以自动学习来自其他任务的辅助知识，通过精心设计的损失函数进行优化，实验证明该方法可以优于现有技术在多个智商数据集上，并且在群体最大区分竞赛中更具鲁棒性。

Mar, 2023

通过端到端优化特征工程和质量回归，盲目的图像质量评估（BIQA）模型的性能得到了显著提高。然而，由于实验室模拟的图像和野外拍摄的图像之间的分布偏移，仅在具有合成失真的数据库上训练的模型在处理现实失真方面仍然特别薄弱（反之亦然）。为应对跨失真场景的挑战，我们开发了一个 “统一” 的 BIQA 模型，并采用一种同时用于合成和真实失真的训练方法。

May, 2020

本文提出了针对实际应用中广泛存在的自然图像的全新盲图像质量评估模型，该模型通过提出更好的质量感知特征表示学习方式和解决缺乏多样性的训练样本问题来解决此领域中的两个关键问题。实验结果表明，所提出的模型在六个实验数据库上表现出色，同时在跨数据库评估实验中展现出更强的鲁棒性。

May, 2021

我们提出了一种轻量级并行框架（LPF）来进行盲目图像质量评估，该方法通过使用预训练的特征提取网络提取视觉特征，并构建一个简单而有效的特征嵌入网络（FEN）来转换视觉特征，并提出了两种新的自监督子任务，包括样本级别的类别预测任务和批级别的质量比较任务，最后，将潜在表示输入到失真感知质量回归网络（DaQRN），通过模拟人类视觉系统（HVS）生成准确的质量评分。与现有方法相比，该方法在多个基准数据集上取得了卓越的性能，并且经过广泛的分析证明，该方法具有较低的计算复杂性和更快的收敛速度。

Feb, 2024

本研究提出了一种针对 BLQA 的基于连续学习的模型，以提高模型的适应性和稳定性，通过新的预测头和正则化器来实现在不断增长的数据流中不断学习并避免灾难性遗忘，在所有预测头的估计的自适应加权求和得出最终图像质量评分。

Feb, 2021