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

本文介绍了 NTIRE2021 挑战赛，关于基于生成对抗网络的知觉图像质量评估的主题和研究领域，挑战的训练和测试数据集包括感知图像处理算法的输出和相应的主观得分，旨在开发和评估 GAN 失真的图像质量评估方法。在比较以前的 IQA 挑战赛之后，参赛的 13 支队伍提交了他们的模型和事实表，几乎所有队伍都比现有的 IQA 方法取得了更好的结果，其中获胜的方法表现出最先进的性能。

May, 2021

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

本文介绍了一种命名为 DR-IQA 的实用解决方案，利用失真图像作为参考，通过学习参考空间来提取参考信息并捕获有用于质量评估的深度图像先验，从而为盲目的图像恢复任务提供强大的可微指标，同时在 GAN-based 方法中表现良好。

Aug, 2021

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

本研究提出 Generated Image Quality Assessment (GIQA) 算法，从学习和数据两个角度，定量评估 GAN 模型生成的图像质量。实验证明 GIQA 算法结果与人工评估基本一致，可应用于 GAN 模型的真实性和多样性评估，并能在训练中支持在线 hard negative mining。

Mar, 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

提出了一种基于参考的可变卷积和补丁级别的注意力模块以及修改的残差块构成的 Region-Adaptive Deformable Network (RADN)，用于在基于 GAN 的失真中提高 IQA 网络的性能，并在 NTIRE 2021 感知图像质量评估挑战数据集上获得了出色的性能表现并在测试阶段中获得第四名。

Apr, 2021

本文综述了传统图像信号和新兴信号（包括高动态范围（HDR）和 3-D 图像）的质量评估方法，提供了主观和客观图像质量评估的分类和综述，并评估了 9 种常用的质量评估指标在四个主观质量数据集上的表现和计算时间。本文还简要介绍了 3-D 图像质量评估，并综述了与该领域相关的问题。

Jun, 2014

自动编码器 VAE-QA 是一种用于在全参考下预测图像质量的简单高效方法，通过利用现有的自动编码器，它显著提升了跨数据集的泛化能力，具有更少的可训练参数、较小的内存占用和更快的运行时间。

Apr, 2024