本文提出了质量感知的学习过程（QAFace），通过在样本级别将质量感知引入到分类训练范式中，该模型将 Softmax 中心自适应引导到更多注意训练数据集中可识别的低质量样本，从而提高了模型对低质量样本的性能，并高于 CFP-FP，LFW，CPLFW，CALFW，AgeDB，IJB-B 和 IJB-C 数据集上的最先进算法。

Jun, 2023

本文提出了一种基于 ID-aware quality 的，用于解决人物重新识别中由噪声图像带来的问题的新型解决方案，包括 feature learning attention、feature fusion attention 等关键组成部分，实验证明该方法优于现有最先进方法。

Nov, 2019

本论文旨在提出一种多列神经网络架构，它可以自适应地对输入的人脸图像集进行加权和校准，计算出一个固定大小的特征向量来代表整个集合，此举在人脸识别评测基准测试中的表现优异。

Jul, 2018

该研究介绍了一种新的数据驱动的、非参数化的图像质量和美学评估方法，通过提出高效的图像锚点消除了对表达性文本嵌入的需求，在七个现有自监督模型的广泛评估中，我们的方法表现出卓越的性能和鲁棒性，不受数据和预处理流水线的天性的影响，在有限的数据下能与人类评估高度一致，为图像评估提供了简化的解决方案，并对视觉信息的感知提供了深入洞察。

Mar, 2024

本文提出了一种混合专家方法来进行自动感知图像质量评估，使用 Re-IQA 框架训练两个独立的编码器来学习高级和低级图像特征，并使用得到的图像表示来训练线性回归模型以提高评估准确性。实验表明，深度神经网络在无监督设置下训练可以产生具有感知相关性的表示。

Apr, 2023

通过提出一个新的基于区域质量估计的神经网络模型，本文旨在解决基于视频的人员重识别中由于遮挡、模糊和光照引起的噪声问题，并提供了一个高质量的人员重识别数据集，通过实验在不同数据集上的准确率均达到 90% 以上。

Nov, 2017

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

我们提出了一种通用的模型内协作学习框架，实现了对不同质量的 Deepfake 的有效和同时检测，称为 QAD 模型。通过观察普通误差期望的上限，通过 Hilbert-Schmidt 独立准则最大化不同质量级别的图像的中间表示之间的依赖关系。此外，我们还精心设计了对抗性权重扰动模块，使得模型在提升整体性能的同时更加稳健，能够抵抗图像的损坏。对七个流行的 Deepfake 数据集进行了大量实验证明了我们 QAD 模型超越了之前的 SOTA 基准。

Sep, 2023

本文介绍了一种新方法，利用语义输入表示生成对比集，以减少注释成本并评估模型在各种语义方面的性能，同时还可以应用于训练集以提高模型鲁棒性。

Mar, 2021

本文提出了一种基于 meta-knowledge co-embedding network 的方法，利用深度学习技术，结合图像质量标签实现精准、稳健的医学图像诊断。该方法在多个医学成像模式上表现出卓越的性能和普适性。

Mar, 2023