本文提出了一种从排名中学习的无参考图像质量评估方法（RankIQA）。采用合成的失真图像来训练 Siamese 网络，以排名的方式对图像质量进行评估，从而实现自动生成无需人工标注。通过微调，将训练有素的 Siamese 网络的知识转移至传统的 CNN，通过一次正向传递可以显著提高效率，并在 TID2013 基准测试中将结果提高了超过 5%。此外，在 LIVE 基准测试中，该方法也优于现有的 NR-IQA 技术，并在全参考 IQA（FR-IQA）方法中甚至超过现有技术，无需使用高质量的参考图像进行推断。

Jul, 2017

提出了一种基于 Vision Transformer (ViT) 模型的无参考图像质量评估 (NR-IQA) 方法 Cross-IQA，可以从无标签图像数据中学习图像质量特征，并利用预训练的编码器进行线性回归模型的微调，实现了对图像的低频降级信息（如颜色变化、模糊等）的先进性能评估。

May, 2024

本文提出了一种基于查询的黑盒攻击方法，通过使用多个分数边界和人类视觉系统的特性，使得攻击方法能够有效地测试无参考图像质量评估方法的稳健性。实验证明，该攻击方法优于其他先进方法，并揭示了 NR-IQA 在黑盒攻击下的脆弱性，同时为进一步研究 NR-IQA 的稳健性提供了有力工具。

Jan, 2024

在这篇论文中，我们提出了一种基于监督对比学习与 Transformer 的图像质量评估模型 SaTQA，该模型通过 SCL 在大规模合成数据集上进行训练，从而提取出具有各种失真类型和水平的图像退化特征，并结合了 CNN 的归纳偏置和 Transformer 的长期依赖建模能力来进一步提取图像的失真信息，最终通过融合对比学习学到的退化特征和骨干网络提取的感知失真信息获取最终的失真图像质量得分。实验结果表明，SaTQA 在合成和真实数据集上都优于目前的最先进方法。

Dec, 2023

提出了一种基于非对齐参考图像学习比较性知识的新框架来解决无参考图像质量评估的先天缺陷，并改进了特征提取框架以表达更丰富的质量信息，并在 8 个标准无参考图像质量评估数据集上展现了超越最先进方法的卓越性能。

Dec, 2023

无参考图像质量评估中，无监督学习的质量表示具有广泛的扭曲捕捉能力，并通过视觉语言模型提取高层次的图像质量信息，将这两组特征结合训练简单回归器有效预测质量，并展示了这些特征在数据有效和零样本情况下的优越性能。

Dec, 2023

本文提出了一种基于 Transformer 的无参考图像质量评估模型，使用预测的目标误差地图和感知质量令牌进行特征融合，比现有技术表现更好，提高了对真实和合成图像数据库的性能表现。同时，通过感知质量令牌提取的注意力图也符合人类视觉系统的特征。

May, 2023

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

本文提出了一种针对对比度失真的简单而有效的度量标准，利用结构相似性指数 (SSIM) 、基于直方图的熵和交叉熵等方法综合评估图像质量，进而学习回归模块以预测质量得分。

Apr, 2019

本文提出了一种基于深度元学习的无参考图像质量评估指标，通过收集多种失真的图像任务，在元学习的基础上，学习人类评估图像质量时所共享的元知识，以适应未知的失真，进而优化质量先验模型，进行目标无参考图像质量评估，结果表明这种方法优于现有技术，并且所学习的元模型还可轻松推广到真实 - world 应用中。

Apr, 2020