采用对比学习的图像质量评估

Oct, 2021

Image Quality Assessment using Contrastive Learning

Pavan C. Madhusudana, Neil Birkbeck, Yilin Wang, Balu Adsumilli, Alan C. Bovik

TL;DR本文提出了一种名为 CONTRIQUE 的训练框架和深度 IQA 模型，使用自监督学习的方法从标有多种不同程度和类型扭曲度的无标签图像数据集中学习特征，通过冻结 CNN 权重和使用线性回归器将学习到的表示映射到质量得分，获得了很强的性能表现。该深度学习模型的训练无需大量标记数据。

Abstract

We consider the problem of obtaining image quality representations in a self-supervised manner. We use prediction of distortion type and degree as an auxiliary task to learn features from an unlabeled image dataset containing a mixture of synthetic and realistic distortions. We then train a deep Convolutional Neural Network (CNN) using a contrastive pairwise

image quality representation self-supervised learning deep cnn no-reference quality scores perceptual relevance

发现论文，激发创造

MetaIQA: 无参考图像质量评估的深度元学习

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

深度集成用于感知图像质量评估

提出了一种基于深度学习的方法，包含两个 CNN 子单元的深度架构，以及一个自行收集的包含自然扭曲的图像的图像库 BIQ2021，用于模型训练和验证。通过在多个数据集上的实验，证明了该方法的性能和广泛的泛化性能。

May, 2023

RankIQA：基于排序学习的无参考图像质量评价

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

适用于数据高效、无参考图像质量评估的学习通用感知表示

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

自适应特征选择在无参考图像质量评估中的应用：对比缓解语义噪声敏感性

使用对比学习方法的质量感知特征匹配图像质量评估度量 (QFM-IQM)，通过对具有相似语义特征但质量得分不同的图像对进行比较，以自适应地调整上游任务的特征，移除有害特征并通过蒸馏方法提高模型的泛化能力，在 8 个标准 NR-IQA 数据集上实现了优越的性能。

Dec, 2023

因果感知启示的信任图像质量评估的表示学习

通过因果感知启发的表示学习建立一个可信赖的图像质量评估 (CPRL) 模型，同时提出了一种用于 IQA 模型的得分反射攻击方法。实验结果表明，提出的 CPRL 方法优于许多最先进的对抗防御方法，并提供明确的模型解释。

Apr, 2024

基于 Transformer 的无参考图像质量评估通过监督对比学习

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

利用对比度增强进行无参考对比度失真图像质量评估

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

用于无参考和全参考图像质量评估的深度神经网络

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

基于 Transformer、相对排名和自一致性的无参考图像质量评估

提出了一种新颖的模型，它通过卷积神经网络和 Transformers 中的自我关注机制，从输入图像中提取局部和非局部特征来解决无参考图像质量评估（NR-IQA）任务，同时提供自我一致性作为一个自我监督信号来提高模型的鲁棒性。经过在七个标准 IQA 数据集上的测试，证明了该模型达到了各种数据集上的最先进成果。

Aug, 2021