本文介绍了 NTIRE 2022 感知图像质量评估（IQA）挑战赛，该挑战赛旨在解决感知图像处理算法的 IQA 新挑战和通过 PIPAL 数据集使用完全不同于传统失真的算法输出图像。该挑战分为两个轨道，一个是类似于以前的 IQA 挑战的全参考 IQA 轨道，另一个是专注于无参考 IQA 方法的新轨道。该挑战已有 192 和 179 个参赛者注册，其中有 7 和 8 个参赛者提交了他们的模型和实验报告。几乎所有参赛者的结果都优于现有的 IQA 方法，获胜算法表现卓越。

Jun, 2022

该论文报告了 NTIRE 2024 年 AI 生成内容质量评估挑战，该挑战受到了图像和视频处理领域中的一个主要挑战的关注，即 AI 生成内容的图像质量评估和视频质量评估。

Apr, 2024

本文介绍了一种新型的视频增强数据集，并研究了 NTIRE 2021 挑战赛上关于压缩视频画质增强的最新方法。通过大规模多样化视频数据集（LDV）的应用，我们发现该挑战赛推进了压缩视频画质增强领域的最新技术进展。

Apr, 2021

本文介绍了 NTIRE2021 挑战赛，关于基于生成对抗网络的知觉图像质量评估的主题和研究领域，挑战的训练和测试数据集包括感知图像处理算法的输出和相应的主观得分，旨在开发和评估 GAN 失真的图像质量评估方法。在比较以前的 IQA 挑战赛之后，参赛的 13 支队伍提交了他们的模型和事实表，几乎所有队伍都比现有的 IQA 方法取得了更好的结果，其中获胜的方法表现出最先进的性能。

May, 2021

本文回顾了第一届 NTIRE 挑战赛，重点介绍了所提出的方法和结果，目标是通过改进压缩视频的忠实度和感知质量来提高视频质量。

Apr, 2021

该论文回顾了 NTIRE 2022 超分辨率和压缩视频质量增强挑战赛，介绍了 LDV 2.0 数据集和三个挑战轨迹，旨在评估压缩视频超分辨率和质量增强的最新技术，共吸引了超过 600 个注册团队。

Apr, 2022

本文构建了一个包含三个子数据集的 Perceptual Video Enhancement 数据集，共计 1211 个视频，邀请 21 个受试者对其进行了主观品质评估，并将数据集划分为训练集、验证集和测试集，以验证几种流行的视频质量评估方法在测试集上的表现。

Mar, 2023

本文回顾了 NTIRE 2020 挑战赛在视频质量映射方面的研究成果，该挑战赛分为有监督和弱监督两个轨道，对两个基准数据集进行源视频领域到目标视频领域的质量映射，其中 track 1 要求算法以有监督的方式从更压缩的视频向更少压缩的视频学习映射，track 2 要求算法在弱对准的视频对上学习如何在一个设备质量变化明显的情况下将质量映射到另一个设备上，7 组团队参加了 track 1，展示了有效的解决方案，而对于 track 2，评估了一些现有的方法，展示出弱监督下视频质量映射方面的有希望的解决方案。

May, 2020

该论文回顾了 NTIRE 2020 挑战赛关于图像和视频去模糊的评估结果和提出的解决方案，其中包括三个竞赛赛道，即图像去模糊，移动平台图像去模糊和视频去模糊，并介绍了这些竞争赛道的注册和最后测试的情况。成功的解决方案展示了当前图像和视频去模糊任务的最先进性能。

May, 2020

该论文回顾了 NTIRE 2024 人像质量评估挑战，重点介绍了提出的解决方案和结果，该挑战旨在获得能够估计真实人像照片的感知质量的高效深度神经网络，并能够推广到各种场景和光照条件（室内、室外、低光源）、运动、模糊和其他具有挑战性的条件。挑战活动中有 140 个参与者注册，其中 35 人在挑战期间提交了结果。本文展示了排名前 5 个提交结果的性能，作为目前人像质量评估的最新进展。

Apr, 2024