该研究旨在解决基于文本生成图像的模型中存在的主观质量差异问题并提出了 StairReward 模型评估主观文本图像对齐的一致性，并以此建立了 AGIQA-3K 数据库。

Jun, 2023

本文建立了一个大规模的 AIGC IQA 数据库，用于评估人类对于每个图像的质量、真实性和对应性的视觉偏好，并在该数据库上进行了基准实验来评估几个最先进的 IQA 度量标准的性能。

Jul, 2023

近年来，图像生成技术迅速发展，产生了大量的人工智能生成图像（AIGIs），然而，这些 AIGIs 的质量不一致，并严重影响了用户的视觉体验。因此，基于人类感知角度评估 AIGIs 质量的 AI 生成图像质量评估（AIGIQA）引起了学者们的广泛关注，然而，现有研究尚未完全探索该领域。本研究通过构建名为 PKU-AIGIQA-4K 的大规模感知质量评估数据库，旨在填补现有研究领域中的关键空白，该数据库兼顾文本到图像和图像到图像的 AIGIs，提出了基于预训练模型的三种图像质量评估方法：无参考方法 NR-AIGCIQA，全参考方法 FR-AIGCIQA 和部分参考方法 PR-AIGCIQA，并利用 PKU-AIGIQA-4K 数据库进行了广泛的基准实验，与当前的图像质量评估方法进行了比较。

Apr, 2024

基于人类感知的图像到图像 AIGC 图像质量评估数据库 PKU-I2IQA 的建立，引入两个基准模型：基于无参考图像质量评估的 NR-AIGCIQA 和基于全参考图像质量评估的 FR-AIGCIQA，并通过基准实验比较了两个模型的性能。

Nov, 2023

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

利用深度神经网络对 AI 生成的图像进行质量评估存在挑战，我们引入了一个大型多模态模型辅助 AI 生成图像质量评估（MA-AGIQA）模型，通过文本提示敏锐感知语义信息并提取语义向量，并使用专家混合结构动态整合语义信息和传统 DNN 基于 IQA 模型提取的质量感知特征来解决当前 IQA 模型在语义感知方面的不足，实验证明 MA-AGIQA 在评估 AI 生成图像质量方面具有最先进的性能和出色的泛化能力。

Apr, 2024

人工智能生成内容（AIGC）在近年来迅速增长，其中基于人工智能图像生成的技术因其高效且富有想象力的图像创作能力而受到广泛关注。然而，由于其独特的失真问题，人工智能生成的图片（AIGIs）可能无法满足人们的喜好，因此有必要了解和评估人们对 AIGIs 的偏好。为此，本文首先建立了一个新颖的 AIGIs 图像质量评估（IQA）数据库，称为 AIGCIQA2023+，该数据库提供了人类视觉偏好评分以及从质量、真实性和对应性等三个角度的详细偏好解释。然后，基于构建的 AIGCIQA2023 + 数据库，本文提出了一种名为 MINT-IQA 的模型，该模型可从多个角度对 AIGIs 的人类偏好进行评估和解释。具体而言，MINT-IQA 模型首先从多个角度学习和评估人们对 AI 生成图像的偏好，然后通过视觉语言指令调整策略，MINT-IQA 能够对 AIGIs 的人类视觉偏好进行强大的理解和解释，这可用于反馈以进一步提高评估能力。广泛的实验结果表明，所提出的 MINT-IQA 模型在理解和评估人类对 AIGIs 的视觉偏好方面达到了最先进的性能水平，并且与最先进的 IQA 模型相比在传统 IQA 任务上也取得了竞争性的成果。AIGCIQA2023 + 数据库和 MINT-IQA 模型将会发布以促进未来的研究。

May, 2024

建立了一个名为 AIGCOIQA2024 的大规模 AI 生成全景图像 IQA 数据库，并构建了一个综合基准，以评估最先进的 IQA 模型在该数据库上的性能。

Apr, 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

利用 Transformer 模型从文本视频对齐和视频保真度的角度提取特征，并利用大型语言模型的能力给出预测评分，该模型优于现有的 T2V 度量和 SOTA 视频质量评估模型，能够给出主观对齐的预测评价。

Mar, 2024