ESIQA：基于 Vision-Pro 的自中心空间图像的感知质量评估
内容提要
本文介绍了多种图像质量评估方法，包括基于视觉显著性、对比度和对抗学习的技术，旨在提高评估的准确性和实时性。同时，研究建立了大规模虚拟现实质量数据库，并评估了不同质量评估模型的性能，推动了相关领域的研究进展。
延伸解读
从2D到VR：图像质量评估的演进
文章梳理了图像质量评估（IQA）从传统2D图像向VR/全景图像扩展的脉络。早期方法基于视觉显著性和对比度，随后出现立体注意力、对抗学习等针对VR特性的技术。同时，大规模主观数据库（如450张受损图像的VR数据库）和客观指标（如9种常用指标）的评估工作，为算法性能对比提供了基准。这一演进反映了IQA研究正逐步适应沉浸式媒体带来的新挑战。
数据驱动：大规模数据库与基准测试
文章提及多个大规模数据库的建立，包括KonIQ-10k（10,073张图像）、AIGCOIQA2024（AI生成全景图像）和TADAC（超160万张图像带文本注释）。这些数据库不仅提供主观质量评分，还包含眼动数据或文本描述，支持从不同角度研究质量感知。基于这些数据库的基准测试，如对9种IQA指标的评估，有助于客观比较算法优劣，推动领域标准化。
新兴技术：视觉-语言与生成式方法
文章介绍了SLIQUE模型，它结合视觉-语言和视觉对比学习，利用图像语义、畸变和外观的文本注释进行盲评。另一项工作引入生成式扫描路径表示（GSR），将360度图像质量推断转化为GSR的质量推断，以聚合多假设用户的感知经验。这些方法代表了IQA与多模态学习、生成式建模的交叉，旨在更贴近人类感知，尤其在局部失真等挑战性场景中。
Q&A
ESIQA方法的核心特点是什么？
ESIQA方法基于视觉显著性和对比度，增加了中心区域的敏感度，具有更强的相关性和实时处理速度。
如何评估全景图像的质量？
通过基于对抗学习的全景图像虚拟现实质量评估方法，使用深度网络和质量评分预测器来自动预测图像质量。
建立虚拟现实质量数据库的目的是什么？
建立虚拟现实质量数据库旨在发展VR品质模型和基准测试VR品质预测算法。
SLIQUE模型的创新之处在哪里？
SLIQUE模型采用视觉-语言和视觉对比表示学习框架，结合图像的语义内容和畸变特征进行质量评估。
KonIQ-10k数据集的特点是什么？
KonIQ-10k数据集是目前最大的图像质量评估数据集，包含10,073张有质量评分的图像。
文章中提到的生成式扫描路径表示法（GSR）有什么作用？
GSR用于360度图像质量推断，聚合多假设用户的感知经验，提高质量推断的一致性。
