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

本文提出了针对实际应用中广泛存在的自然图像的全新盲图像质量评估模型，该模型通过提出更好的质量感知特征表示学习方式和解决缺乏多样性的训练样本问题来解决此领域中的两个关键问题。实验结果表明，所提出的模型在六个实验数据库上表现出色，同时在跨数据库评估实验中展现出更强的鲁棒性。

May, 2021

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

本综述对盲图像质量评估 (BIQA) 领域的最新发展和新兴趋势进行了全面分析和讨论，包括专注于特定畸变和通用方法的手工制作 BIQA、采用监督和无监督学习技术的深度学习 BIQA，以及考虑视觉与音频、视觉与文本模态之间相互作用的多模态质量评估方法。同时，还探讨了代表性的 BIQA 数据库，包括合成和真实畸变。我们相信，本综述对视觉质量社区的最新进展和新兴趋势提供了有价值的理解。

Dec, 2023

本研究提出了一种针对 BLQA 的基于连续学习的模型，以提高模型的适应性和稳定性，通过新的预测头和正则化器来实现在不断增长的数据流中不断学习并避免灾难性遗忘，在所有预测头的估计的自适应加权求和得出最终图像质量评分。

Feb, 2021

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

基于强健的训练策略、大规模真实世界数据集和强大的骨干网络，本研究设计了一个强健的盲图像质量评估方法，通过基于不同真实世界 BIQA 数据集训练多个基于 Swin-Transformer 的模型，并联合使用这些有偏差的模型生成伪标签，使用两个随机图像的相对质量概率而非固定质量分数，进而构建 1,000,000 个图像对和伪标签的大规模真实世界图像数据集，训练了最终的跨数据集强健模型。交叉数据集测试结果表明，所提出的方法的性能甚至优于直接在这些数据集上训练的一些最新方法，从而验证了该方法的强健性和泛化性。

Sep, 2023

提出了一种基于多任务学习的盲图像质量评估方法，可以自动学习来自其他任务的辅助知识，通过精心设计的损失函数进行优化，实验证明该方法可以优于现有技术在多个智商数据集上，并且在群体最大区分竞赛中更具鲁棒性。

Mar, 2023

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