本文提出了一种基于深度神经网络的图像质量评估方法，通过数据驱动的方式完成特征提取、回归等过程，与现有的图像质量评估方法相比，在全参考和无参考情况下表现都更好，且不依赖手工特征或人眼视觉系统和图像统计学知识。

Dec, 2016

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

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

本文提出了一种基于深度元学习的无参考图像质量评估指标，通过收集多种失真的图像任务，在元学习的基础上，学习人类评估图像质量时所共享的元知识，以适应未知的失真，进而优化质量先验模型，进行目标无参考图像质量评估，结果表明这种方法优于现有技术，并且所学习的元模型还可轻松推广到真实-world应用中。

Apr, 2020

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

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

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

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

提出了一种新颖的预训练框架，通过从通用视觉语言模型中选择性提取与图像质量相关的知识，并利用大型数据集的可扩展性，构建了一种适用于图像质量评估的通用表示。同时我们的方法在多个数据集上取得了最先进的性能，并展现了显著的泛化能力。

Jun, 2024

本研究解决了现有无参考图像质量评估（NR-IQA）模型的大型复杂性的问题，提出了一种紧凑、轻量化的模型，在保证高性能的同时，适用于资源受限的移动设备。通过引入双分支架构和多种颜色空间的训练方法，显著提升了模型的通用性和鲁棒性，尤其在实际应用中表现出色。

Aug, 2024