通过端到端优化特征工程和质量回归，盲目的图像质量评估（BIQA）模型的性能得到了显著提高。然而，由于实验室模拟的图像和野外拍摄的图像之间的分布偏移，仅在具有合成失真的数据库上训练的模型在处理现实失真方面仍然特别薄弱（反之亦然）。为应对跨失真场景的挑战，我们开发了一个 “统一” 的 BIQA 模型，并采用一种同时用于合成和真实失真的训练方法。

May, 2020

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

本文提出了针对实际应用中广泛存在的自然图像的全新盲图像质量评估模型，该模型通过提出更好的质量感知特征表示学习方式和解决缺乏多样性的训练样本问题来解决此领域中的两个关键问题。实验结果表明，所提出的模型在六个实验数据库上表现出色，同时在跨数据库评估实验中展现出更强的鲁棒性。

May, 2021

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

本文提出一种新的方法，利用偏好图片对来训练盲图像质量评估模型，这些偏好标签可在很低的成本下产生，实验表明该方法具有良好的性能且易于扩展。

Sep, 2013

本文提出一种针对颗粒图像质量评估自我监督学习的预测任务方法，通过约束学习过程并设计质量感知对比损失，并基于改进的退化过程形成了一个约 $2 imes10^7$ 的退化空间。实验结果表明该方法显著提高了常见 BIQA 数据集上的性能。

Mar, 2023

本文介绍了一种利用大规模图像数据库和学习排名算法的无意见学习盲图像质量评估模型的方法，并成功提出了新的质量推断指数 dipIQ 和 dilIQ。在四个基准图像质量数据库上的实验证明，dipIQ 在精度和鲁棒性方面的优势，相较于现有方法已达到了最佳水平。

Apr, 2019

我们提出了一种轻量级并行框架（LPF）来进行盲目图像质量评估，该方法通过使用预训练的特征提取网络提取视觉特征，并构建一个简单而有效的特征嵌入网络（FEN）来转换视觉特征，并提出了两种新的自监督子任务，包括样本级别的类别预测任务和批级别的质量比较任务，最后，将潜在表示输入到失真感知质量回归网络（DaQRN），通过模拟人类视觉系统（HVS）生成准确的质量评分。与现有方法相比，该方法在多个基准数据集上取得了卓越的性能，并且经过广泛的分析证明，该方法具有较低的计算复杂性和更快的收敛速度。

Feb, 2024

本文介绍了一种命名为 DR-IQA 的实用解决方案，利用失真图像作为参考，通过学习参考空间来提取参考信息并捕获有用于质量评估的深度图像先验，从而为盲目的图像恢复任务提供强大的可微指标，同时在 GAN-based 方法中表现良好。

Aug, 2021

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