切片最大信息系数：一种无训练的图像质量评估增强方法
内容提要
本文介绍了多种基于深度神经网络的图像质量评估方法，包括全参考和无参考模型。这些方法通过数据驱动的特征提取和回归，提升了评估性能，且不依赖于手工特征。研究还探讨了视觉显著性、对比度及语义信息在图像质量评估中的应用，展示了在多个基准数据集上的优越表现。
延伸解读
从手工特征到语义驱动：IQA 的技术演进
文章梳理了图像质量评估（IQA）从依赖手工特征和视觉系统知识，转向数据驱动深度模型的过程。早期方法如基于视觉显著性和对比度的全参考评估，增强了中心区域敏感度；随后无参考模型、Transformer 架构以及利用高层语义的 TOPIQ 等方法相继出现，逐步减少对人工先验的依赖，并提升与人类主观评分的一致性。
全参考与无参考：统一建模与跨任务知识迁移
文章提到多个工作尝试统一全参考和无参考 IQA，例如通过语义影响建模的统一网络，以及基于非对齐参考图像学习比较性知识的新框架。此外，实证研究揭示了 IQA 与显著性预测任务之间的关系，证明 IQA 包含显著性预测的知识。这些方向表明，IQA 正从单一任务模型向多任务知识融合演进，以应对不同参考条件。
多模态与无监督：提升数据效率和零样本能力
文章介绍了结合视觉语言模型的无监督质量表示方法，以及基于多模式提示的 IQA 方法。这些方法通过从视觉和语言数据中挖掘增量语义信息，在数据有效和零样本场景下展现出优越性能。这反映出 IQA 研究正探索降低对大规模标注数据的依赖，并增强模型在未知失真类型上的泛化能力。
Q&A
什么是基于深度神经网络的图像质量评估方法？
基于深度神经网络的图像质量评估方法通过数据驱动的特征提取和回归，提升了全参考和无参考情况下的评估性能，不依赖于手工特征。
如何提高图像质量评估的性能？
通过设计统一网络和利用语义影响建模，可以提高全参考和无参考图像质量评估的性能。
TOPIQ方法的主要特点是什么？
TOPIQ方法利用高层语义指导图像质量评估，设计了启发式的粗到细网络（CFANet），在公开基准测试中表现优越。
无参考图像质量评估模型的创新点有哪些？
无参考图像质量评估模型通过结合视觉语言模型和无监督学习，展示了在数据有效和零样本情况下的优越性能。
视觉显著性在图像质量评估中的作用是什么？
视觉显著性通过增强中心区域的敏感度，提高了图像质量评估与人类评估的相关性。
深度神经网络在图像质量评估中的优势是什么？
深度神经网络能够通过复杂的数据驱动特征提取，提升图像质量评估的准确性和鲁棒性。
