本文旨在回答两个问题：（1）现有的图像质量评估方法是否能客观评估最近的图像修复（IR）算法？（2）在打破当前基准的重点下，我们是否获得了更好的 IR 算法？为了回答这些问题并推动 IQA 方法的发展，我们贡献了一个大规模的 IQA 数据集，称为感知图像处理算法（PIPAL）数据集。该数据集包括基于 GAN 的方法的结果。通过 PIPAL，我们为 IQA 和超分辨方法提供了新的基准。实验表明，现有的 IQA 方法不能公平评估基于 GAN 的 IR 算法。最后，我们通过引入抗锯齿池化来改善 IQA 网络在基于 GAN 的扭曲上的性能，并取得了显著效果。

Jul, 2020

利用卷积神经网络预测视觉错误指标使得实时应用中的内容自适应阴影渲染更高效，具备较强的可推广性和计算速度。

Oct, 2023

本文介绍了最新的反感知 (IR) 算法基于生成对抗网络 (GANs)，但其定量评估与视觉感知质量存在不一致性。为了回答现有的 IQa 方法能否客观评价最近的 IR 算法和促进 IQa 方法的发展，作者提出了一个大规模的 IQa 数据集 PIPAL，并针对 GAN 基础的 IR 算法，提出了一些新的基准方法和对空间错位改进的 IQa 网络。

Nov, 2020

本文证明了图像修复算法中失真度 (Distortion) 和感知质量 (perceptual quality) 是对立的，并研究了正确判别图像修复算法输出与真实图像之间的最优概率，此概率需随均值失真程度的降低而逐渐增加，GAN 提供了超越感知失真界限的原则方法。作者提出了一种新的评估算法质量的方法，并使用该方法对最近的超分辨率算法进行了广泛比较。

Nov, 2017

本文介绍了 PICNIQ，一种创新的成对比较框架，通过强调相对而非绝对质量评估，克服传统盲图像质量评估方法的局限性。PICNIQ 利用精心设计的深度学习架构、特定的损失函数和稀疏比较设置的训练策略实现了成对图像的质量差异评估，并通过心理测量缩放算法（如 TrueSkill）将成对比较转化为可解释的图像质量评分。通过使用 PIQ23 数据集中的比较矩阵进行广泛的实验分析，我们展示了 PICNIQ 在现有模型上的卓越性能，凸显了其在盲图像质量评估领域中树立新的标准的潜力。

Mar, 2024

通过引入感知度量标准，提出一种新的对抗攻击威胁模型，探究不同攻击样式之间的融合以及在此基础上进行对抗训练，从而实现在保持感知扭曲度不变的情况下取得更高的误分类率。

Feb, 2019

本论文介绍了一种新的层次 AP 训练方法（HAP-PIER），其中 HAPPIER 基于一种新的 H-AP 指标，利用概念层次对 AP 进行细化，以整合错误的重要性并更好地评估排名，通过在 6 个数据集上的广泛实验，表明 HAPPIER 在分层检索方面显著优于最新方法，在评估细粒度排名表现时与最新方法相当，而且防止了非分层方法的大多数严重失败案例。

Jul, 2022

本研究提出了一种新的主观视觉属性预测方法，采用统一的健壮排序学习方法，结合局部配对比较标签来检测异常值和学习排序，适用于极度稀疏的标注数据。实验结果表明，该方法在各类基准数据集上表现优异。

Jan, 2015

本文研究了存在偏差误差的图像对于现有视觉相似度测量标准的影响，并且开发了一种可以容忍图像偏移误差的相似度测量标准。通过探究神经网络元素的不同，本文开发了一种新型深度神经网络基础的视觉相似度测量标准，实验结果表明其能够容忍难以感知的偏移误差，同时与人类相似度判断一致。

Jul, 2022

本文研究了基于深度神经网络的知觉度量，用于评估图像质量，提出了一种多分辨率知觉量度（MR-Perceptual），在不同分辨率上聚合知觉信息，并在不同图像畸变的 IQ 任务中表现优于标准知觉量度。

Feb, 2022