提出了一种新的质量保留采样方案 Grid Mini-patch Sampling (GMS)，并使用 Fragment Attention Network (FANet) 和新提出的 FrAgment Sample Transformer for VQA (FAST-VQA) 实现了高效的端到端深度视频质量评估。

Jul, 2022

本文提出了一种简单有效的 UGC 视频质量评估模型，通过训练端到端的空间特征提取网络直接从视频帧像素中学习感知质量的空间特征表示，并提取运动特征来度量空间特征无法建模的时间相关失真。

Apr, 2022

视频质量评估的挑战在于解决用户生成内容视频中存在的严重失真导致整体视觉质量下降的问题，提出了 Visual Quality Transformer (VQT) 方法，并通过实验证明了其优于其他方法的性能。

Jul, 2023

该研究提出了一种新的基于投影的 3D 模型质量评估方法 - GMS-3DQA，通过使用多投影网格小块采样策略减少冗余和推理资源，并使用 Swin-Transformer 微型骨干从采样的网格小块中提取质量感知特征，实验结果表明，该模型相比现有的 NR-3DQA 方法具有更高的评估准确度和更少的计算资源需求。

Jun, 2023

该研究提出了一种无参考视频质量评估方法，通过学习空间 - 时间域内的有效特征表示，结合高斯分布约束和金字塔时间聚合模块等方法，达到跨内容、分辨率和帧率的高泛化能力。实验表明，该方法在跨数据集设置方面优于现有方法，在内部数据集配置方面的性能相当，展示了该方法的高泛化能力。

Dec, 2020

本论文提出一种名为 Zoom-VQA 的视频质量评估体系架构，将视频分为三个层次并整合了三个组件（patch attention module、frame pyramid alignment 和 clip ensemble strategy），以从不同层次感知时空特征。该方法在四个 VQA 基准测试中达到了最先进的结果，并在 LSVQ 的两个子集上优于以前的最佳结果。

Apr, 2023

本研究提出了一种名为 SAMA（缩放和遮蔽）的数据采样方法，通过将数据缩放成金字塔形状并使用遮蔽策略将其转换为规则的数据维度，从而在保持多尺度特征的同时，降低模型复杂度，并在图像和视频质量评估中取得了显著的性能提升。

Jan, 2024

本文利用 3D 卷积神经网络提取时空特征以对视频帧进行全参考视频质量评估，并在 LIVE 和 CSIQ 数据集上实验，结果表明该方法达到了最先进的性能水平。

Oct, 2019

为了解决细粒度视觉分类中的品质问题，本文提出了一种弱监督的上下文 - 语义质量感知网络（CSQA-Net），其中使用多部分和多尺度交叉注意力模块（MPMSCA）来捕捉目标内部更具区别性的细节，提出了一种层次化的多级语义质量评估模块（MLSQE）来逐渐监督和强化骨干网络中的分层语义，最终通过对特征表示的质量进行实时评估，提升了其可辨识性。在四个广泛使用的细粒度视觉分类数据集上进行的综合实验结果表明，提出的 CSQA-Net 优于现有的方法。

Mar, 2024

本文提出了一种使用四分之一采样和三分之三采样技术的传感器，以及一种端到端神经网络，可以从非规则采样的传感器数据中重建高分辨率图像，相比于现有技术，该方法在 Urban100 数据集上可提高图像质量 (PSNR) 达 2.96dB，同时比低分辨率传感器结合超分辨率算法 (VDSR) 要高出 1.11dB。

Mar, 2022