该研究介绍了一个人像特定的图像质量评估数据集 PIQ23，其使用配对比较的方法由多位专家对三个特定属性进行注释，在深入的统计分析后，证明了语义信息可以用于提高图像质量评估的预测。

Apr, 2023

该研究旨在提高现有面部图像质量评估（FIQA）技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法，结合特定的面部识别模型（ArcFace，ElasticFace，CurricularFace），在五个常用基准测试数据集上，对六种最新的 FIQA 方法（CR-FIQA，FaceQAN，SER-FIQ，PCNet，MagFace，SDD-FIQA）进行了全面的实验评估，取得了令人鼓舞的结果。

May, 2023

该论文介绍了一个名为 PyTorch Image Quality (PIQ) 的库，旨在实现最流行的现代图像质量评估算法，并且经过验证可以可靠地实施。同时，该论文还介绍了该库的原理、评估策略、性能测试和 GPU 加速的优势。

Aug, 2022

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

本研究提出 Generated Image Quality Assessment (GIQA) 算法，从学习和数据两个角度，定量评估 GAN 模型生成的图像质量。实验证明 GIQA 算法结果与人工评估基本一致，可应用于 GAN 模型的真实性和多样性评估，并能在训练中支持在线 hard negative mining。

Mar, 2020

IG-FIQA 是一种基于样本相对分类的面部图像质量评估方法，引入了权重参数来减轻低类内差异类别图像关联实际质量的问题，并提出了在训练中估计样本类内差异的方法，同时还采用了即时数据增强技术以提升泛化性能，实验结果显示 IG-FIQA 在多个基准数据集上达到了新的最先进性能。

Mar, 2024

本文提出一种学习范式以及建立基于其的面部图像质量评估算法（CR-FIQA），通过预测面部图像样本的相对分类能力来估计其质量，并通过角度空间中的训练样本表征来测量相对分类能力。该方法在面部识别模型训练中同时进行优化，并经过大量实验表明其在 8 个基准和 4 个面部识别模型上具有优越性。

Dec, 2021

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

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

提出了一种新的概率图像质量表示方法（PQR），用于训练深度 BIQA 模型，该方法不仅可以加速深度模型训练的收敛，而且相对于标量质量得分回归方法，也可以极大地提高可实现的质量预测精度。

Aug, 2017