该研究旨在提高现有面部图像质量评估（FIQA）技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法，结合特定的面部识别模型（ArcFace，ElasticFace，CurricularFace），在五个常用基准测试数据集上，对六种最新的 FIQA 方法（CR-FIQA，FaceQAN，SER-FIQ，PCNet，MagFace，SDD-FIQA）进行了全面的实验评估，取得了令人鼓舞的结果。

May, 2023

本文提出一种学习范式以及建立基于其的面部图像质量评估算法（CR-FIQA），通过预测面部图像样本的相对分类能力来估计其质量，并通过角度空间中的训练样本表征来测量相对分类能力。该方法在面部识别模型训练中同时进行优化，并经过大量实验表明其在 8 个基准和 4 个面部识别模型上具有优越性。

Dec, 2021

IG-FIQA 是一种基于样本相对分类的面部图像质量评估方法，引入了权重参数来减轻低类内差异类别图像关联实际质量的问题，并提出了在训练中估计样本类内差异的方法，同时还采用了即时数据增强技术以提升泛化性能，实验结果显示 IG-FIQA 在多个基准数据集上达到了新的最先进性能。

Mar, 2024

基于检索相似的图像实例来评估图像质量的无回归框架，包含语义分类模块和畸变分类模块，根据语义和畸变相似度检索多个图像实例并聚合主观质量评分，验证实验表明该模型显著优于基于回归的模型。

Jul, 2023

本文提出了一种新的人脸图像质量评估方法 DifFIQA，它基于去噪扩散概率模型（DDPM）的前向和后向过程来评估人脸图像的质量。该方法通过量化 DDPM 造成的扰动对相应图像嵌入的影响，并将其用于质量预测。此外还提出了基于回归的质量预测器 DifFIQA（R），以平衡性能和执行时间。该方法在 7 个数据集上进行了全面的实验，并与 4 个目标 FR 模型和 10 个最先进的 FIQA 技术进行了对比，表现良好。

May, 2023

提出一种新的知识蒸馏方法 AI-KD，通过扩展现有的面部图像质量评估技术，提高其对于对齐变化的鲁棒性和性能，在多个面部数据集上进行实验证明，AI-KD 不仅在不对齐的样本上改善初始 FIQA 技术的性能，而且在正确对齐的面部图像上也取得了最新的技术水平。

Apr, 2024

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

利用压缩采样的图像质量评估方法 (S-IQA) 提出了一个新的框架，其中包括灵活采样模块、自适应嵌入模块和双分支模块，通过这个方法在各种数据集上实现了最先进的结果。

Apr, 2024

本文介绍了一种基于 Transformer 的通用人脸图像质量评估方法，其中包括双集合降级表示学习机制和综合通用人脸 IQA 数据集，该方法在评估人脸图像感知质量方面取得了显著的改进。

Jun, 2024

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