- DDR：利用深度退化响应作为灵活的图像描述器
基于预训练网络提取的图像深层特征被认为包含丰富且信息量大的表达方式。本文介绍了一种名为 Deep Degradation Response（DDR）的方法，用于量化在不同降解条件下图像深层特征的变化。通过文本驱动的提示，我们的方法实现了灵活 - 多尺度深度特征统计的无意见盲图像质量评估
采用深度学习方法可以提高盲目图像质量评估（BIQA）领域的质量评估，但这些方法通常需要使用大量的人为评分数据进行训练。为了弥合这一差距，本文提出了一种将预训练视觉模型的深度特征与统计分析模型结合的多尺度深度特征统计（MDFS）模型，用于实现 - CVPR弥合合成和真实之间的差距：畸变引导的无监督领域自适应对盲目图像质量评估
通过引入畸变引导的无监督领域适应方法，我们提出了一种适应于盲图像质量评估的新框架，通过畸变作为先验知识，实现自适应多领域选择，从而减少源域到目标域的负传递，同时可以与现有基于模型的 BIQA 方法结合，以更少的训练数据提高性能。
- 多模态提示学习的盲目图像质量评估
该文章介绍了一种基于多模式提示的创新图像质量评估方法，通过精心设计的提示，从视觉和语言数据中挖掘增量语义信息，在不同数据集上展现出竞争性能，达到了鲁棒性和准确性的提升。
- 自适应混合尺度特征融合网络用于盲目的人工智能生成图像质量评估
本文提出了一种针对 AI 生成图像的盲图像质量评估网络（AMFF-Net），从 “视觉质量”、“真实性” 和 “一致性” 三个维度评估 AI 生成图像的质量。通过多尺度输入策略和自适应特征融合 (AFF) 块，AMFF-Net 在盲图像质量 - PICNIQ：自然图像质量评估的两两比较
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 - 一种用于盲图像质量评估的轻量级并行框架
我们提出了一种轻量级并行框架（LPF）来进行盲目图像质量评估，该方法通过使用预训练的特征提取网络提取视觉特征，并构建一个简单而有效的特征嵌入网络（FEN）来转换视觉特征，并提出了两种新的自监督子任务，包括样本级别的类别预测任务和批级别的质量 - 高分辨率图像质量数据库
通过创建高分辨率图像质量数据库，并使用该数据库训练 BIQA 模型，我们展示了高分辨率图像质量数据库对准确预测高分辨率图像的主观评分 (MOS) 所起到的重要作用。
- 盲图像质量评估的特征去噪扩散模型
探索了针对盲目图像质量评估 (BIQA) 的扩散模型的感知特征扩散图像质量评估 (PFD-IQA) 方法，提出了一个感知先验发现和聚合模块和一个基于感知先验的特征细化策略来消除质量感知特征中的噪声，该方法在八个标准 BIQA 数据集上进行的 - 深度形状纹理统计完全盲目图像质量评估
利用深度特征和形状 - 纹理自适应融合的方法，通过内外形状 - 纹理统计间的变量马氏距离量化感知质量，在人工和真实图像畸变上取得了最先进的质量预测性能。
- 盲图像质量评估：简要调查
本综述对盲图像质量评估 (BIQA) 领域的最新发展和新兴趋势进行了全面分析和讨论，包括专注于特定畸变和通用方法的手工制作 BIQA、采用监督和无监督学习技术的深度学习 BIQA，以及考虑视觉与音频、视觉与文本模态之间相互作用的多模态质量评 - 基于 DDPM 衍生内容和 Transformer 的盲 CT 图像质量评估
通过模拟人类视觉系统的运作特征，引入一种创新的盲目图像质量评估度量，该度量通过构建主动推断模块和利用失真图像与主要内容之间的相互关系来提高低剂量计算机断层扫描感知图像质量评估的性能。
- 跨数据集鲁棒的盲目现实世界图像质量评估方法
基于强健的训练策略、大规模真实世界数据集和强大的骨干网络，本研究设计了一个强健的盲图像质量评估方法，通过基于不同真实世界 BIQA 数据集训练多个基于 Swin-Transformer 的模型，并联合使用这些有偏差的模型生成伪标签，使用两个 - ICCV盲目图像质量评估的测试时间适应
通过引入组对比损失和相对排序损失，使用测试分布中的少量图像批次可以显著提高模型性能，使盲目图像质量评估模型具备质量感知能力并适应目标数据。
- 多流架构中的盲图像质量评估利用空间和通道注意力
提出了一种基于多流空间和通道注意力的算法，通过结合来自两个不同 backbones 的混合特征，并进行空间和通道的注意力，以提供对感兴趣区域的高权重，生成更准确的预测结果。使用四个传统图像质量评估数据集验证了我们提出的方法的有效性，使用真实 - 非回归式盲图像质量评估
基于检索相似的图像实例来评估图像质量的无回归框架，包含语义分类模块和畸变分类模块，根据语义和畸变相似度检索多个图像实例并聚合主观质量评分，验证实验表明该模型显著优于基于回归的模型。
- 协作自编码用于盲图像质量评估
本文提出了一种新颖的盲图像质量评估方法，该方法利用深度神经网络中的协作自编码器 (COAE) 提取内容和失真表示，从而克服了主观注释数据缺乏的困难，实现了自监督学习，取得了最先进的性能。
- 深度集成用于感知图像质量评估
提出了一种基于深度学习的方法，包含两个 CNN 子单元的深度架构，以及一个自行收集的包含自然扭曲的图像的图像库 BIQ2021，用于模型训练和验证。通过在多个数据集上的实验，证明了该方法的性能和广泛的泛化性能。
- AAAI使用注意力面板解码器的数据高效图像质量评估
本文提出一种基于 Transformer 架构的盲图像质量评价系统，具有高效的质量感知特征表示和强大的泛化能力，并且引入注意力面板机制来改善模型性能和减少预测不确定性。
- CVPR通过视觉 - 语言对应的盲图像质量评估：多任务学习视角
提出了一种基于多任务学习的盲图像质量评估方法，可以自动学习来自其他任务的辅助知识，通过精心设计的损失函数进行优化，实验证明该方法可以优于现有技术在多个智商数据集上，并且在群体最大区分竞赛中更具鲁棒性。