ICCVJul, 2017

RankIQA：基于排序学习的无参考图像质量评价

PDF
TL;DR本文提出了一种从排名中学习的无参考图像质量评估方法（RankIQA）。采用合成的失真图像来训练 Siamese 网络，以排名的方式对图像质量进行评估，从而实现自动生成无需人工标注。通过微调，将训练有素的 Siamese 网络的知识转移至传统的 CNN，通过一次正向传递可以显著提高效率，并在 TID2013 基准测试中将结果提高了超过 5%。此外，在 LIVE 基准测试中，该方法也优于现有的 NR-IQA 技术，并在全参考 IQA（FR-IQA）方法中甚至超过现有技术，无需使用高质量的参考图像进行推断。
发现论文，激发创造
  • MetaIQA: 无参考图像质量评估的深度元学习

    本文提出了一种基于深度元学习的无参考图像质量评估指标，通过收集多种失真的图像任务，在元学习的基础上，学习人类评估图像质量时所共享的元知识，以适应未知的失真，进而优化质量先验模型，进行目标无参考图像质量评估，结果表明这种方法优于现有技术，并且所学习的元模型还可轻松推广到真实 - world 应用中。

    Apr, 2020

  • 基于 Transformer、相对排名和自一致性的无参考图像质量评估

    提出了一种新颖的模型，它通过卷积神经网络和 Transformers 中的自我关注机制，从输入图像中提取局部和非局部特征来解决无参考图像质量评估（NR-IQA）任务，同时提供自我一致性作为一个自我监督信号来提高模型的鲁棒性。经过在七个标准 IQA 数据集上的测试，证明了该模型达到了各种数据集上的最先进成果。

    Aug, 2021

  • 用于无参考和全参考图像质量评估的深度神经网络

    本文提出了一种基于深度神经网络的图像质量评估方法，通过数据驱动的方式完成特征提取、回归等过程，与现有的图像质量评估方法相比，在全参考和无参考情况下表现都更好，且不依赖手工特征或人眼视觉系统和图像统计学知识。

    Dec, 2016

  • 少即是多：利用无参考图像质量评估学习参考知识

    提出了一种基于非对齐参考图像学习比较性知识的新框架来解决无参考图像质量评估的先天缺陷，并改进了特征提取框架以表达更丰富的质量信息，并在 8 个标准无参考图像质量评估数据集上展现了超越最先进方法的卓越性能。

    Dec, 2023

  • 交叉 IQA: 无监督学习图像质量评估

    提出了一种基于 Vision Transformer (ViT) 模型的无参考图像质量评估 (NR-IQA) 方法 Cross-IQA，可以从无标签图像数据中学习图像质量特征，并利用预训练的编码器进行线性回归模型的微调，实现了对图像的低频降级信息（如颜色变化、模糊等）的先进性能评估。

    May, 2024

  • 自适应特征选择在无参考图像质量评估中的应用：对比缓解语义噪声敏感性

    使用对比学习方法的质量感知特征匹配图像质量评估度量 (QFM-IQM)，通过对具有相似语义特征但质量得分不同的图像对进行比较，以自适应地调整上游任务的特征，移除有害特征并通过蒸馏方法提高模型的泛化能力，在 8 个标准 NR-IQA 数据集上实现了优越的性能。

    Dec, 2023

  • 一种基于查询的黑盒方法探索无参考图像质量评估模型的漏洞

    本文提出了一种基于查询的黑盒攻击方法，通过使用多个分数边界和人类视觉系统的特性，使得攻击方法能够有效地测试无参考图像质量评估方法的稳健性。实验证明，该攻击方法优于其他先进方法，并揭示了 NR-IQA 在黑盒攻击下的脆弱性，同时为进一步研究 NR-IQA 的稳健性提供了有力工具。

    Jan, 2024

  • 基于排名的无参考人脸换脸质量评估

    面部交换已成为计算机视觉和图像处理领域的一个突出研究方向，本研究提出了一种新的面部交换无参考图像质量评估方法，通过构建一个综合的大规模数据集，实现基于多个面部属性的图像质量排名方法，以及基于可解释性定性比较的连体网络，改进了面部交换模型的表情和姿势等。经过广泛实验证实本方法优于现有的无参考图像质量评估度量和最新的面部图像质量评估度量，非常适合实际场景中评估面部交换图像。

    Jun, 2024

  • 适用于数据高效、无参考图像质量评估的学习通用感知表示

    无参考图像质量评估中，无监督学习的质量表示具有广泛的扭曲捕捉能力，并通过视觉语言模型提取高层次的图像质量信息，将这两组特征结合训练简单回归器有效预测质量，并展示了这些特征在数据有效和零样本情况下的优越性能。

    Dec, 2023

  • 透過對抗學習實現的畫面虛擬感知品質評估：無需參考圖像

    本文介绍了一种基于幻觉引导的质量回归网络来解决无参考图像质量评估问题，其中幻觉引导的参考图像和失真图像的信息会被发送至回归器进行学习，从而实现了有效的质量预测。实验证明该方法明显优于现有的最先进方法。

    Apr, 2018