通过多个畸变场景下的图像数据库训练，我们提出的盲视觉质量评估深度网络模型可以有效地在实验室和野外进行盲目评估，比以前的方法具有更高的评估精度。

Jul, 2019

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

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

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

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

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

通过设计简约的 BVQA 模型，我们对 VQA 数据集进行计算分析，发现几乎所有数据集都存在易的数据集问题，并对基本构建模块的选择进行研究，对当前 BVQA 进展表示疑虑，并为构建下一代 VQA 数据集和模型提供了指导。

Jul, 2023