FHIQA 是一种基于学习的自动肖像质量评估方法，通过图像语义的简单但有效的质量分数重新缩放方法来增强细粒度图像质量度量的准确性，同时保证在训练数据集之外的各种场景设置下能够具有稳健的泛化能力。

Feb, 2024

我们介绍了一种新的图像质量评估（IQA）数据集，包括 6073 个高分辨率的 UHD-1（4K）图像，以 3840 像素为固定宽度进行注释。与现有的非参考（NR）IQA 数据集相反，我们的数据集侧重于高度美学且高技术质量的照片，填补了文献中的空白。该数据集通过众包研究获得感知质量评级。经过数天的多个评估者的多次评估，我们得到了高度可靠的标签。我们的数据集具有独特的特点，如注重高质量图像、可靠的众包注释和高分辨率注释，为推进感知图像质量评估研究和开发适用于现代照片的实用非参考 IQA 模型提供了新的机会。

Jun, 2024

本文建立了一个大规模的 AIGC IQA 数据库，用于评估人类对于每个图像的质量、真实性和对应性的视觉偏好，并在该数据库上进行了基准实验来评估几个最先进的 IQA 度量标准的性能。

Jul, 2023

本文介绍了一种系统化、可规模化的方法，用于创建大规模的、真实和多样化的图像数据集，以进行图像质量评估，并构建了一个包含 10,073 个图像的 IQA 数据库，其中进行了大规模众包实验，以获得 1,467 个众包工人（1.2 百万评分）的可靠质量评级。

Mar, 2018

提出了一种用于肖像图像质量评估的双分支网络，通过使用两个主干网络（Swin Transformer-B）从整个肖像图像和剪裁出的脸部图像中提取质量感知特征，利用 LIQE 模型捕获质量感知和场景特定特征作为辅助特征，通过多感知层回归它们为质量分数，通过学习排序方式使用保真度损失训练模型，实验证明了该模型在肖像图像质量评估数据集上具有优越性能。

May, 2024

本文介绍了 PICNIQ，一种创新的成对比较框架，通过强调相对而非绝对质量评估，克服传统盲图像质量评估方法的局限性。PICNIQ 利用精心设计的深度学习架构、特定的损失函数和稀疏比较设置的训练策略实现了成对图像的质量差异评估，并通过心理测量缩放算法（如 TrueSkill）将成对比较转化为可解释的图像质量评分。通过使用 PIQ23 数据集中的比较矩阵进行广泛的实验分析，我们展示了 PICNIQ 在现有模型上的卓越性能，凸显了其在盲图像质量评估领域中树立新的标准的潜力。

Mar, 2024

通过多个畸变场景下的图像数据库训练，我们提出的盲视觉质量评估深度网络模型可以有效地在实验室和野外进行盲目评估，比以前的方法具有更高的评估精度。

Jul, 2019

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

本文旨在回答两个问题：（1）现有的图像质量评估方法是否能客观评估最近的图像修复（IR）算法？（2）在打破当前基准的重点下，我们是否获得了更好的 IR 算法？为了回答这些问题并推动 IQA 方法的发展，我们贡献了一个大规模的 IQA 数据集，称为感知图像处理算法（PIPAL）数据集。该数据集包括基于 GAN 的方法的结果。通过 PIPAL，我们为 IQA 和超分辨方法提供了新的基准。实验表明，现有的 IQA 方法不能公平评估基于 GAN 的 IR 算法。最后，我们通过引入抗锯齿池化来改善 IQA 网络在基于 GAN 的扭曲上的性能，并取得了显著效果。

Jul, 2020

本文介绍一种新的数据集: LIVE In the Wild Image Quality Challenge Database，旨在解决已有的图片质量数据库由于受控条件下被损坏无法很好地反映真实情况的问题，采集了大量真实环境下采集的图片，并通过在线众包系统进行了大规模的主观评估研究，为盲目的图像质量评估算法提供基础研究和深入分析。

Nov, 2015