通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

Nov, 2015

探索基于 transformer 的全参考图像质量评估模型的性能，并提出了一种基于半监督知识蒸馏的 IQA 方法，使用嘈杂的伪标签数据将全参考教师模型蒸馏到盲学生模型中。在 NTIRE 2022 感知图像质量评估挑战中，我们的方法取得了竞争力的结果。

Apr, 2022

本文提出了一种新的端到端可训练模型，用于有损图像压缩。该方法包括几个新颖的组件，其中包括充分的感知相似度度量、图像中的显着性和分层自回归模型。该模型不仅生成视觉效果更好的图像，而且在后续计算机视觉任务（如目标检测和分割）中也具有优越的性能。

Feb, 2020

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

本文提出了一种基于感知的数字图像质量评估方法 —— 无参考感知图像质量指数（PIQI），来评估数字图像的质量。通过计算多个尺度和颜色空间中的亮度、梯度统计信息以及均值减法对比规范化乘积，将这些提取出的特征提供给高斯过程回归（GPR）的堆叠集成模型进行质量评估，并在六个基准数据库上评估其性能并与其他方法进行比较，结果表明 PIQI 能够达到竞争水平。

May, 2023

本文探讨了深度学习压缩技术中常用的 MS-SSIM 和 MSE 误差函数与人类感知之间的关系，提出了 Deep Perceptual Compression 技术，通过在深度感知指标和 MS-SSIM 之间进行联合优化，相比先前的学习压缩方法和 JPEG-2000 具有更好的视觉效果，并且在目标检测等任务中表现更好。

Jul, 2019

手工制作的图像质量度量标准通常被用来评估重建攻击下的模型隐私风险，本文综合研究了这些度量标准与人类隐私信息感知的可信度，并提出了一种基于学习的度量方法 SemSim，该方法在语义级别上更好地反映了隐私泄露，并且与现有度量标准相比具有更高的相关性。

Sep, 2023

本文通过引入视觉遮盖的概念并在已有的 FR-IQM 模型上进行改进，提出了一种能够更准确地捕捉人类感知的新型图像质量评价方法。同时也提出了建立视觉遮盖模型的自监督学习方法，以此更好地预测图像质量。

May, 2023

本文提出了一个全新的知觉度量标准 DreamSim，通过人类相似度判断数据集的研究得出，该标准可以全面评估图片的相似性，更关注于前景物体和语义内容及对颜色和布局敏感，并且具有很好的一般性能。

Jun, 2023

该论文提出使用 SSIM 替代 $L_p$ 范数来衡量对抗性样本在图像分类中的感知质量，并表明这种方法比之前的方法更好，以及该方法可以用于评估防御方案的性能。

Feb, 2021