通过进行一系列实验，我们发现现有的图像质量评估指标并不能正确地代表人们对光照估计方法的偏好，然而通过综合学习多个指标，我们可以更准确地表示人类的首选项，从而为评估未来的光照估计算法提供了新的感知框架。

Dec, 2023

在本文中，我们提出了一个新的视觉挑战 - 感知问答（PQA），并介绍了为不同整体原则而设计的感知问题 - 答案数据集，以及一种基于自我关注的方法，该方法使用提议的网格到网格映射网络直接从头生成答案模式。实验表明，我们的代理超越了一些基线，并成功导入了两个关键位置的机器学习方法，即使用人工制造的数据代替复杂真实图像，并要求机器合成新的感知有效的模式。

Apr, 2021

本文研究了基于深度神经网络的知觉度量，用于评估图像质量，提出了一种多分辨率知觉量度（MR-Perceptual），在不同分辨率上聚合知觉信息，并在不同图像畸变的 IQ 任务中表现优于标准知觉量度。

Feb, 2022

本文介绍了一种新的方法，该方法针对推荐系统中的偏好建立了一种 Mahalanobis 度量，进而学习理解用户对物品的理想点。

Sep, 2020

本文旨在提出一种基于神经网络句子编码器和近似 k 最近邻索引的新型 QPR 系统来理解和回答广泛应用于社区问答和开放领域口语问答系统中的稀有和嘈杂的问题再述形式，并通过远程监督从问答日志自动产生一份问题近义复述检索试验的注释数据集；在两个 QPR 数据集上的实验结果表明，相较于三元损失在嘈杂标签环境下表现不佳，我们提出的平滑深度度量损失（SDML）明显优于三元损失。

May, 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

通过结合信息理论目标函数的最新进展和基于人类视觉系统的计算体系结构，以及对成对视频帧进行无监督训练，我们提出了感知信息度量（PIM），并在 BAPPS 图像质量评估数据集上证明 PIM 与监督度量相媲美，且在 CLIC 2020 的图像压缩方法排名预测方面优于监督度量，同时使用 ImageNet-C 数据集进行定性实验，证明 PIM 在架构细节方面具有鲁棒性。

Jun, 2020

本文研究了从一群回答者中同时进行偏好和度量学习的问题，旨在捕捉单个用户的偏好和相似度度量标准，同时享有样本成本分摊。通过研究连续响应设置和噪声二进制测量，证明了该模型足够灵活，能够有效地满足不同需求，并提高了学习的样本复杂度，最终在模拟数据和真实数据中进行了实际效果验证。

Jul, 2022

本研究系统地研究了感知相似度测量方法在面临不可察觉的对抗扰动时的鲁棒性，发现广泛采用的 LPIPS 指标也容易受到空间变换的对抗扰动的攻击，这表明对抗性样本的问题需要被深入探究。

May, 2023

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