- AIGCOIQA2024: AI 生成全方位图像的感知质量评估
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。
- 多模态大型语言模型对图像质量评估的全面研究
通过对多模态大语言模型（MLLMs）在图像质量评估（IQA）中的应用进行综合系统的研究和探索，发现仅有关闭源 GPT-4V 能够合理地描述人类对图像质量的感知，但在细粒度的质量变化（如颜色差异）和多图像的视觉质量比较等任务上较为薄弱。
- 走向开放式的视觉质量比较
本研究提出了 Co-Instruct 方法来在开放式比较设置中进一步提升视觉质量比较，通过收集数据集和建立多图像比较的基准，证明了 Co-Instruct 在图像质量评估方面的优越性。
- 面部图像数据集中的重复样本：影响和检测
通过使用文件和图像哈希的方法，结合人脸图像预处理，检测相同和近似的人脸图像重复，进一步基于人脸识别和图像质量评估模型，减少误报和便于去重处理，该方法在多个数据集上验证并公开了去重数据。
- 多个工业过程的新图像质量数据库
近年来，图像处理技术在多个工业过程中的应用范围日益广泛，为验证现有的图像质量评估方法的可靠性，我们建立了一个新的工业过程图像数据库（IPID），其中包含 3000 个经过不同程度畸变处理的图片，并进行了主观测试以收集其主观质量评分，在 IP - GMC-IQA: 利用全局相关性和主观一致性进行无参考图像质量评估
通过构建一个新的损失函数和网络，本研究提出了一个 GMC-IQA 框架，综合了全局相关性和均值一致性，通过定义基于偏好的排序估计来解决非可微问题，并引入了队列机制来近似整个数据集的全局结果。实验证明，我们的方法在多个真实数据集上的准确性和泛 - 逐步特征融合网络用于提升图像质量评估
本论文提出了一种新的图像质量评估框架，采用细粒度网络获取多尺度特征，并设计一种交叉减法块用于在正负图像对内分离和收集信息，从而实现特征空间中的图像比较。实验结果表明，相比目前主流的图像质量评估方法，该网络可以实现更准确的图像质量评估，并在 - 基于文本和图像编码器的 AIGC 图像质量评估回归模型
我们提出了一个基于文本和图像编码器的回归（TIER）框架，用于评估从人类感知角度来看的人工智能生成图像的质量，实验证明我们的方法在大多数情况下相较于基准表现出更优异的性能。
- Q-Refine：AI 生成图像的感知质量精修器
通过引入图像质量评估指标和三个自适应流程，Q-Refine 提供了一种通用的图像精细化处理方法，可以对不同质量的 AI 生成图像进行有效优化，从而扩大了 T2I 生成模型的应用。
- IQAGPT：基于视觉语言和 ChatGPT 模型的图像质量评估
在医学成像中，本研究以 IQAGPT 为例，结合了图像质量说明的 VLM 和 ChatGPT，利用大型语言模型实现图像质量评估和生成文本报告。结果表明 IQAGPT 在图像质量评估方面表现优异，超过了 GPT-4、CLIP-IQA 和仅依赖 - 超越评分：通过多模态语言模型推进图像质量评估
介绍了一种名为 DepictQA 的图像质量评估方法，利用多模式大型语言模型（MLLMs）进行详细的、基于语言的、类似人类的图像质量评估，相比传统基于分数的方法，DepictQA 可以描述性地解释图像内容和失真，并与人类的推理过程密切相关， - AAAI基于 Transformer 的无参考图像质量评估通过监督对比学习
在这篇论文中，我们提出了一种基于监督对比学习与 Transformer 的图像质量评估模型 SaTQA，该模型通过 SCL 在大规模合成数据集上进行训练，从而提取出具有各种失真类型和水平的图像退化特征，并结合了 CNN 的归纳偏置和 Tra - 朝向光照估计的感知评估框架
通过进行一系列实验，我们发现现有的图像质量评估指标并不能正确地代表人们对光照估计方法的偏好，然而通过综合学习多个指标，我们可以更准确地表示人类的首选项，从而为评估未来的光照估计算法提供了新的感知框架。
- 少即是多：利用无参考图像质量评估学习参考知识
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。
- FS-BAND：一种频率敏感的带检测器
该论文研究了频率方面的条纹伪影，并提出了一种无参考条纹检测模型，名为频率敏感的 BANding 检测器（FS-BAND）。实验结果表明，该方法在条纹分类任务中具有更高的准确性，优于现有的图像质量评估方法。
- BAND-2k: 幅带感知数据库用于幅带检测和质量评估
提出了一种新的基于频率特征的双卷积神经网络评估方法，用于检测和评估图像中的条纹状伪影，并揭示了伪影强度与感知视觉质量之间的强相关性。
- PKU-I2IQA：基于图像的图像质量评估数据库用于 AI 生成图像
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。
- 通过双偏差校准学习带有噪声低成本的 MOS 图像质量评估
从低成本的主观质量标注学习鲁棒的图像质量评估模型，通过建立低成本主观质量标注与高成本主观质量标注之间的主观偏差模型和模型偏差模型来进行校准，以实现准确的图像质量评估。
- 自动机器学习的天文图像质量评估
电子辅助天文学通过将数码相机与望远镜耦合捕捉深空图像，显示通过直接观察无法看到的天文对象。我们展示了图像质量评估在自动评级天文图像方面的应用，并利用自动化机器学习开发了专用模型。
- MD-IQA: 学习多尺度分布式图像质量评估与半监督学习在低剂量 CT 中的应用
通过引入多尺度分布回归方法、设计双分支对齐网络以及半监督学习，我们提出的方法在深度学习为基础的医学图像质量评估方面取得了显著的进展。