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

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

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

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。

Jul, 2017

本文提出了一种针对对比度失真的简单而有效的度量标准，利用结构相似性指数 (SSIM) 、基于直方图的熵和交叉熵等方法综合评估图像质量，进而学习回归模块以预测质量得分。

Apr, 2019

本文提出了一种基于知识蒸馏的内容变异参考方法（CVRKD-IQA），通过使用不对齐的高质量图像引入各种先验分布，并通过知识蒸馏从全参照教师向 NAR 学生传输更多的高质量 - 低质量分布差异信息，从而实现更好的图像质量评估。

Feb, 2022

本文首次尝试探索黑盒对抗攻击 NR-IQA 模型，通过最大限度地增加原始和扰动图像的质量评分之间的差异来误导对抗性示例的估计质量评分，针对 NR-IQA 模型开发出一种高效和有效的黑盒攻击方法。广泛实验表明，所有评估的 NR-IQA 模型都对该攻击方法存在漏洞，生成的扰动不可转移，有助于研究不同 IQA 模型的特性。

Feb, 2024

本文研究了通过机器学习进行图像质量评估和增强的问题，并开发了一个新的无参考图像质量评估模型和一个基于质量优化的强大的图像增强框架。

Apr, 2019

本研究提出了一种新型的基于对抗学习的全景图像虚拟现实图像质量评估方法，通过使用深度网络来考虑全景图像的特性，其中包括新颖的质量评分预测器和人类感知指导器，用于自动预测畸变图像的质量得分，并使用对抗学习将其与人类感知得分进行比较。在全景图像数据集上进行的实验结果表明，本文提出的 VR IQA 指标优于二维 IQA 和现有的 VR IQA。

Apr, 2018

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