本文首次尝试探索黑盒对抗攻击 NR-IQA 模型，通过最大限度地增加原始和扰动图像的质量评分之间的差异来误导对抗性示例的估计质量评分，针对 NR-IQA 模型开发出一种高效和有效的黑盒攻击方法。广泛实验表明，所有评估的 NR-IQA 模型都对该攻击方法存在漏洞，生成的扰动不可转移，有助于研究不同 IQA 模型的特性。

Feb, 2024

深度神经网络在无参考图像质量评估中取得了令人印象深刻的成功，但最近的研究强调了 NR-IQA 模型对微小对抗扰动的脆弱性，导致模型预测与主观评分之间的不一致性。当前的对抗攻击忽视了整个图像集内得分之间的关联关系，本研究提出了一种基于关联误差的攻击框架，同时破坏图像集内的关联性和个体图像的得分变化。该研究主要关注 Spearman 等排名相关的关联度和 Mean Squared Error 等预测误差度量。通过实验证明，该方法显著破坏了 Spearman 相关系数并对个体图像的得分产生了明显的变化，同时在不同类别的指标上表现出了最先进的性能，为 NR-IQA 模型的鲁棒性提供了新的视角。

Apr, 2024

通过黑盒攻击评估非参考视频质量评估模型的鲁棒性。

Sep, 2023

本文研究了通过机器学习进行图像质量评估和增强的问题，并开发了一个新的无参考图像质量评估模型和一个基于质量优化的强大的图像增强框架。

Apr, 2019

提出了一种新颖的模型，它通过卷积神经网络和 Transformers 中的自我关注机制，从输入图像中提取局部和非局部特征来解决无参考图像质量评估（NR-IQA）任务，同时提供自我一致性作为一个自我监督信号来提高模型的鲁棒性。经过在七个标准 IQA 数据集上的测试，证明了该模型达到了各种数据集上的最先进成果。

Aug, 2021

通过提出一种防御方法，并建立正规化训练策略，我们实验了四个基线模型来降低对无参考图像质量评估模型的对抗攻击所造成的分数变化，从而提高其对抗攻击的鲁棒性。

Mar, 2024

本文提出了一种从排名中学习的无参考图像质量评估方法（RankIQA）。采用合成的失真图像来训练 Siamese 网络，以排名的方式对图像质量进行评估，从而实现自动生成无需人工标注。通过微调，将训练有素的 Siamese 网络的知识转移至传统的 CNN，通过一次正向传递可以显著提高效率，并在 TID2013 基准测试中将结果提高了超过 5%。此外，在 LIVE 基准测试中，该方法也优于现有的 NR-IQA 技术，并在全参考 IQA（FR-IQA）方法中甚至超过现有技术，无需使用高质量的参考图像进行推断。

Jul, 2017

提出了一种基于非对齐参考图像学习比较性知识的新框架来解决无参考图像质量评估的先天缺陷，并改进了特征提取框架以表达更丰富的质量信息，并在 8 个标准无参考图像质量评估数据集上展现了超越最先进方法的卓越性能。

Dec, 2023

使用对比学习方法的质量感知特征匹配图像质量评估度量 (QFM-IQM)，通过对具有相似语义特征但质量得分不同的图像对进行比较，以自适应地调整上游任务的特征，移除有害特征并通过蒸馏方法提高模型的泛化能力，在 8 个标准 NR-IQA 数据集上实现了优越的性能。

Dec, 2023

无参考图像质量评估中，无监督学习的质量表示具有广泛的扭曲捕捉能力，并通过视觉语言模型提取高层次的图像质量信息，将这两组特征结合训练简单回归器有效预测质量，并展示了这些特征在数据有效和零样本情况下的优越性能。

Dec, 2023