本文提出了一种基于深度神经网络的图像质量评估方法，通过数据驱动的方式完成特征提取、回归等过程，与现有的图像质量评估方法相比，在全参考和无参考情况下表现都更好，且不依赖手工特征或人眼视觉系统和图像统计学知识。

Dec, 2016

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

通过模拟人类视觉系统的过程，我们提出了一种无参考图像质量评估系统——Restorative Adversarial Net，该系统包括复原器、鉴别器和评估器三个部分，通过提取特征来计算Gain of Restoration并将其结合用于评估输入图片的质量，实验证明该系统相比其他先进的NR-IQA模型具有更高的效率和泛化能力。

Dec, 2017

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

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

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

提出了一种无参考图像质量评估方法：Multi-dimension Attention Network for no-reference Image Quality Assessment (MANIQA)。该方法在GAN-based distortion事件上具有更好的性能，通过使用ViT提取特征，提出了Transposed Attention Block (TAB)和Scale Swin Transformer Block (SSTB)这两种关注机制，使这些模块在多维方面促进图像不同区域的全局和本地交互，最后应用双分支结构来预测图像局部质量得分，并在四个标准数据集上（LIVE、TID2013、CSIQ和KADID-10k）表现出比先前最先进的方法更好的结果。

Apr, 2022

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