高分辨率图像质量数据库
内容提要
本文综述盲图像质量评估（BIQA）研究进展，重点包括：利用多畸变数据库训练深度网络以提升实验室与野外评估精度；提出dipIQ、dilIQ、PQR等方法及KonIQ-10k、PIQ23、BIQ2021等数据集；针对合成与真实失真分布偏移，构建统一模型和跨数据集强健模型，显著提高泛化性能。
延伸解读
合成与真实失真的分布偏移挑战
文章指出，实验室模拟的合成失真图像与野外拍摄的真实失真图像之间存在分布偏移，导致仅在合成失真数据库上训练的BIQA模型在处理真实失真时表现薄弱，反之亦然。这一发现强调了跨失真场景评估的重要性，并促使研究者开发统一的BIQA模型，采用同时用于合成和真实失真的训练方法，以提升模型在多样化场景下的适应性。
大规模数据集与模型泛化能力
KonIQ-10k作为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，其提出的KonCept512模型基于InceptionResNet架构，在高分辨率数据集上展现出优于现有技术的泛化性能（SROCC 0.921）。这表明大规模、高质量的数据集对于训练泛化能力强的深度BIQA模型至关重要，也为后续研究提供了基准。
概率质量表示与训练效率
文章提到概率图像质量表示方法（PQR），用于训练深度BIQA模型。该方法不仅能加速深度模型训练的收敛，而且相对于传统的标量质量得分回归方法，可以极大地提高可实现的质量预测精度。这提示研究者在设计BIQA模型时，考虑概率化的质量表示可能带来训练效率和预测性能的双重提升。
跨数据集强健模型的构建策略
针对跨数据集评估的挑战，文章介绍了一种强健的BIQA方法：基于强健训练策略、大规模真实世界数据集和强大骨干网络，通过训练多个基于Swin-Transformer的模型，并联合使用这些有偏差的模型生成伪标签，构建包含1,000,000个图像对和伪标签的大规模真实世界图像数据集，最终训练出跨数据集强健模型。交叉数据集测试表明其性能甚至优于直接在这些数据集上训练的一些最新方法，验证了该方法的强健性和泛化性。
Q&A
盲图像质量评估（BIQA）是什么？
盲图像质量评估（BIQA）是一种在没有原始参考图像的情况下评估图像质量的方法。本文综述了BIQA的研究进展，包括利用多畸变数据库训练深度网络以提升评估精度。
有哪些重要的图像质量评估数据集？
文章提到了多个数据集：KonIQ-10k（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）、PIQ23（人像特定的图像质量评估数据集）、BIQ2021（包含自然扭曲的图像库）。
dipIQ和dilIQ是什么？
dipIQ和dilIQ是本文提出的无意见学习盲图像质量评估模型中的质量推断指数。实验证明dipIQ在精度和鲁棒性方面优于现有方法。
如何解决合成失真和真实失真之间的分布偏移问题？
文章开发了一个“统一”的BIQA模型，采用同时用于合成和真实失真的训练方法，以应对跨失真场景的挑战。
KonCept512模型有什么特点？
KonCept512是一种运用深度学习的模型，通过InceptionResNet架构进行训练，在高分辨率数据集上具有比现有技术更好的泛化性能（SROCC 0.921）。
概率图像质量表示（PQR）方法有什么优势？
PQR方法用于训练深度BIQA模型，可以加速深度模型训练的收敛，并且相对于标量质量得分回归方法，能极大地提高可实现的质量预测精度。
