本文报告了 NTIRE 2023 视频增强质量评估挑战，该挑战将与 CVPR 2023 的新趋势图像恢复和增强研讨会一同举行。该挑战旨在解决视频处理领域中的一个主要问题，即增强视频的视频质量评估（VQA）。该挑战使用了感知视频增强（VDPVE）数据集，其中包含 1211 个增强视频，其中包括 600 个颜色、亮度和对比度增强的视频，310 个去模糊的视频和 301 个去抖动的视频。挑战共有 167 个注册参与者，其中 61 个参与团队在开发阶段提交了 3168 份预测结果，37 个参与团队在最终测试阶段提交了 176 份预测结果，最终有 19 个参与团队提交了模型和详细方法说明。一些方法取得了比基准方法更好的结果，获胜方法表现出卓越的预测性能。

Jul, 2023

本文介绍了 NTIRE2021 挑战赛，关于基于生成对抗网络的知觉图像质量评估的主题和研究领域，挑战的训练和测试数据集包括感知图像处理算法的输出和相应的主观得分，旨在开发和评估 GAN 失真的图像质量评估方法。在比较以前的 IQA 挑战赛之后，参赛的 13 支队伍提交了他们的模型和事实表，几乎所有队伍都比现有的 IQA 方法取得了更好的结果，其中获胜的方法表现出最先进的性能。

May, 2021

本文介绍了 NTIRE 2022 感知图像质量评估（IQA）挑战赛，该挑战赛旨在解决感知图像处理算法的 IQA 新挑战和通过 PIPAL 数据集使用完全不同于传统失真的算法输出图像。该挑战分为两个轨道，一个是类似于以前的 IQA 挑战的全参考 IQA 轨道，另一个是专注于无参考 IQA 方法的新轨道。该挑战已有 192 和 179 个参赛者注册，其中有 7 和 8 个参赛者提交了他们的模型和实验报告。几乎所有参赛者的结果都优于现有的 IQA 方法，获胜算法表现卓越。

Jun, 2022

通过考虑 15 个流行生成模型和动态超参数，本研究组织了一项挑战，全面评估人类主观评分、感知质量和文本图像对齐等方面，以创建迄今最大的细粒度 AIGI 主观质量数据库 AIGIQA-20K，并通过基准实验评估 16 个主流 AIGI 质量模型与人类感知之间的相应关系。预期该数据库将推动 AIGC 在视觉领域的进展。

Apr, 2024

该论文综述了 AIS 2024 视频质量评估（VQA）挑战，着重于用户生成内容（UGC）。该挑战旨在收集能够估计 UGC 视频感知质量的基于深度学习的方法。挑战中的用户生成视频来自 YouTube UGC 数据集，包括多样的内容（体育、游戏、歌词、动漫等）、质量和分辨率。提出的方法必须在 1 秒内处理 30 个 FHD 帧。在挑战中，共有 102 位参与者注册，其中 15 人提交了代码和模型。本文回顾了前 5 个提交的性能，并提供了对用户生成内容高效视频质量评估的各种深度模型的调查。

Apr, 2024

人工智能生成内容（AIGC）领域迅速发展，本研究介绍了 AIGCBench，一个全面且可扩展的基准测试，旨在评估各种视频生成任务，主要集中在图像到视频（I2V）生成上。

Jan, 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

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

该论文回顾了 NTIRE 2024 人像质量评估挑战，重点介绍了提出的解决方案和结果，该挑战旨在获得能够估计真实人像照片的感知质量的高效深度神经网络，并能够推广到各种场景和光照条件（室内、室外、低光源）、运动、模糊和其他具有挑战性的条件。挑战活动中有 140 个参与者注册，其中 35 人在挑战期间提交了结果。本文展示了排名前 5 个提交结果的性能，作为目前人像质量评估的最新进展。

Apr, 2024

该论文概述了 NTIRE 2024 挑战赛关于短视频 UGC 质量评估（S-UGC VQA）的相关工作，其中提出了多种优秀解决方案，并在从流行短视频平台 Kuaishou/Kwai 获得的 KVQ 数据集上进行了评估。该研究的目的是构建新的基准，推进 S-UGC VQA 的发展。比赛吸引了 200 名参与者，其中 13 个团队提交了有效的解决方案，并取得了当时最先进的表现。

Apr, 2024