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

在这项研究中，研究者采用了一种基于融合的方法对压缩图像质量进行评估，通过利用畸变特定的度量方法并结合全参考和非参考模型的结果，可提高对压缩图像质量的评估准确性，达到了 79.6％的质量基准准确率，证明了该融合方法的有效性。

Feb, 2024

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感知的数字图像质量评估方法 —— 无参考感知图像质量指数（PIQI），来评估数字图像的质量。通过计算多个尺度和颜色空间中的亮度、梯度统计信息以及均值减法对比规范化乘积，将这些提取出的特征提供给高斯过程回归（GPR）的堆叠集成模型进行质量评估，并在六个基准数据库上评估其性能并与其他方法进行比较，结果表明 PIQI 能够达到竞争水平。

May, 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

本文综述了传统图像信号和新兴信号（包括高动态范围（HDR）和 3-D 图像）的质量评估方法，提供了主观和客观图像质量评估的分类和综述，并评估了 9 种常用的质量评估指标在四个主观质量数据集上的表现和计算时间。本文还简要介绍了 3-D 图像质量评估，并综述了与该领域相关的问题。

Jun, 2014

设计了一个多尺度图像质量 Transformer (MUSIQ)，它可以处理具有不同尺寸和长宽比的本机分辨率图像，通过多尺度表示，我们提出的方法可以捕捉不同粗细度的图像质量，并提出了一种基于哈希的二维空间嵌入和尺度嵌入，支持多尺度表示中的位置嵌入。实验结果验证了 MUSIQ 在多个大规模图像质量评估数据集上的最先进性能。

Aug, 2021

本文提出了一种名为基于熵的无参考图像质量评估（ENIQA）的方法，该方法结合空间域和频率域的熵和互信息等特征，并使用支持向量分类器和回归进行质量预测和失真分类，能够评估各种失真图像的质量，且具有低复杂度和优秀的性能。该方法在 LIVE 和 TID2013 数据库上的实验结果表明其具有高度的客观和主观评估一致性，且有很好的泛化能力。

Dec, 2018

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视觉显著性和对比度的全参考图像质量评估方法，该方法增加了中心区域的敏感度，通过在三个大规模的基准数据库上的实验验证，显示出与人类评估数值更强的相关性和更高的实时处理速度，并提供 MATLAB 代码以供测试。

Dec, 2018