本文提出了一种基于知识蒸馏的内容变异参考方法（CVRKD-IQA），通过使用不对齐的高质量图像引入各种先验分布，并通过知识蒸馏从全参照教师向 NAR 学生传输更多的高质量 - 低质量分布差异信息，从而实现更好的图像质量评估。

Feb, 2022

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

本文介绍了最新的反感知 (IR) 算法基于生成对抗网络 (GANs)，但其定量评估与视觉感知质量存在不一致性。为了回答现有的 IQa 方法能否客观评价最近的 IR 算法和促进 IQa 方法的发展，作者提出了一个大规模的 IQa 数据集 PIPAL，并针对 GAN 基础的 IR 算法，提出了一些新的基准方法和对空间错位改进的 IQa 网络。

Nov, 2020

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

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

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

在这项工作中，我们提出了一种自我监督的方法 ARNIQA（学习失真流形以实现图像质量评估），用于建模图像失真流形，以获取内在的质量表示。我们通过引入一个图像退化模型，随机地组合连续应用的失真顺序来合成各种降质图像，然后通过最大化相似性训练我们的模型，将图像表示映射到质量得分，实验结果显示我们的方法在几个数据集上达到了最先进的性能，并且相比竞争方法，ARNIQA 在数据效率、泛化能力和鲁棒性上都有所改善。

Oct, 2023

基于扩散先验的盲目图像质量评估（DP-IQA）方法利用预训练扩散模型的先验知识，通过提取多级特征和解码来估计图像质量得分，实验结果表明我们的方法在各种自然图像数据集上取得了最先进的结果，并展示了我们方法在全局建模和利用扩散的层次特征线索评估图像质量方面的优越性。

May, 2024

本文介绍了一种基于幻觉引导的质量回归网络来解决无参考图像质量评估问题，其中幻觉引导的参考图像和失真图像的信息会被发送至回归器进行学习，从而实现了有效的质量预测。实验证明该方法明显优于现有的最先进方法。

Apr, 2018

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