本文提出一种新的方法，利用偏好图片对来训练盲图像质量评估模型，这些偏好标签可在很低的成本下产生，实验表明该方法具有良好的性能且易于扩展。

Sep, 2013

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

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

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

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

本文介绍了一种基于卷积神经网络和池化网络的盲图像质量评估模型，能够有效地模拟人类视觉系统的特性，并通过全参考图像质量评估方法获得的中间相似度图来预测从扭曲的图像中像素之间的质量。最终结果通过深池化网络回归为得分，该方法表现优于许多现有的盲图像质量评估方法。

May, 2018

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

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

本篇研究提出了一种用于盲目图像质量评估的深层双线性模型，它适用于合成和真实失真，包括使用卷积神经网络进行预处理和特征提取的方法，并在目标评分数据库上进行深度微调，最终在大规模数据效果表现优越。

Jul, 2019