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

本研究介绍了迄今为止最大的主观图像质量数据库，并使用这个数据库建造了深度基于区域的体系结构来预测图像的质量，包括全局和局部预测。

Dec, 2019

提出了一种基于深度学习的方法，包含两个 CNN 子单元的深度架构，以及一个自行收集的包含自然扭曲的图像的图像库 BIQ2021，用于模型训练和验证。通过在多个数据集上的实验，证明了该方法的性能和广泛的泛化性能。

May, 2023

本文提出了一种模型基础的迁移学习方法，旨在将知识从图像质量评估（IQA）数据库和大规模的行为识别中传输到目标视频质量评估（VQA）数据库。该方法使用混合的列表排序损失函数进行训练，并在六个数据库上进行广泛的实验以验证其有效性。

Aug, 2021

这篇研究使用深度学习技术进行失真通用的盲目图像质量评估，通过将子区域的评分进行平均池化，使用分类基础图像质量评估的 CNN 微调提取的特征，使用 SVR 机器计算每个子区域的评分，进而证明了该方法在 LIVE In the Wild 和 LIVE 两个数据库上的表现均优于当前的最优方法，并且在很多情况下，比普通的人类观察者的评分更加接近平均观察者的评分。

Feb, 2016

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

基于检索相似的图像实例来评估图像质量的无回归框架，包含语义分类模块和畸变分类模块，根据语义和畸变相似度检索多个图像实例并聚合主观质量评分，验证实验表明该模型显著优于基于回归的模型。

Jul, 2023

本文探讨深度视觉表示能力在不同类型图像畸变中的表现，通过分析不同深度神经网络层所提取的特征，证明不同网络层具备分离不同畸变类型的能力，并评估特征在图像质量评估和畸变特征和严重性级别刻画上的应用，结果表明深度视觉表示具有有效地表征各种图像畸变的能力。

Feb, 2020

本文介绍一种新的数据集: LIVE In the Wild Image Quality Challenge Database，旨在解决已有的图片质量数据库由于受控条件下被损坏无法很好地反映真实情况的问题，采集了大量真实环境下采集的图片，并通过在线众包系统进行了大规模的主观评估研究，为盲目的图像质量评估算法提供基础研究和深入分析。

Nov, 2015

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