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

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

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

本文介绍了一种基于 Transformer 的通用人脸图像质量评估方法，其中包括双集合降级表示学习机制和综合通用人脸 IQA 数据集，该方法在评估人脸图像感知质量方面取得了显著的改进。

Jun, 2024

本文提出了一种新的人脸图像质量评估方法 DifFIQA，它基于去噪扩散概率模型（DDPM）的前向和后向过程来评估人脸图像的质量。该方法通过量化 DDPM 造成的扰动对相应图像嵌入的影响，并将其用于质量预测。此外还提出了基于回归的质量预测器 DifFIQA（R），以平衡性能和执行时间。该方法在 7 个数据集上进行了全面的实验，并与 4 个目标 FR 模型和 10 个最先进的 FIQA 技术进行了对比，表现良好。

May, 2023

提出了一种基于 SDD（Similarity Distribution Distance）的无监督 Face Image Quality Assessment（FIQA）方法，该方法将所提取的相似性分布用于计算 WD，以生成质量伪标签并进行质量预测，取得了比现有方法更好的效果。

Mar, 2021

通过多个畸变场景下的图像数据库训练，我们提出的盲视觉质量评估深度网络模型可以有效地在实验室和野外进行盲目评估，比以前的方法具有更高的评估精度。

Jul, 2019

通过开发一种无需参考图像的轻量级卷积神经网络，我们证明了 JPEG 质量因子能够代表图像质量度量，并能够准确评估图像质量，而无需参考图像。我们的模型能够应用于不同任务，包括度量各种图像伪影的严重程度和预测从磁共振成像（MRI）数据重建的图像的欠采样率。

May, 2024

该研究提出了一种高效的基于图像梯度的质量评估模型，使用像素级梯度相似度与池化策略预测图像质量，该模型的预测准确度与计算效率均较高。

Aug, 2013

FHIQA 是一种基于学习的自动肖像质量评估方法，通过图像语义的简单但有效的质量分数重新缩放方法来增强细粒度图像质量度量的准确性，同时保证在训练数据集之外的各种场景设置下能够具有稳健的泛化能力。

Feb, 2024