一种用于盲图像质量评估的轻量级并行框架
内容提要
该文综述盲图像质量评估研究进展，涵盖自监督学习、CNN与Transformer模型、多任务学习、扩散模型等方法，通过端到端优化和跨失真训练提升评估精度，在多个数据集上优于现有方法。
延伸解读
从传统方法到深度学习：技术演进脉络
文章梳理了盲图像质量评估（BIQA）的技术发展：早期方法依赖手工特征和SVR回归，如2016年研究通过子区域评分平均池化提升性能；随后CNN和池化网络被引入，模拟人类视觉系统；2019年深层双线性模型兼顾合成与真实失真；2020年多任务学习利用辅助知识；2023年Transformer架构和自监督学习进一步提升了泛化能力。这一脉络显示BIQA正从单一失真向跨失真、从监督向自监督演进。
跨失真场景的挑战与统一模型
文章指出，由于实验室合成图像与野外拍摄图像之间存在分布偏移，仅在合成失真上训练的模型在真实失真上表现薄弱，反之亦然。为此，研究者开发了“统一”BIQA模型，采用同时用于合成和真实失真的训练方法，通过端到端优化特征工程和质量回归，显著提升了模型在跨失真场景下的性能。这一方向对于实际应用至关重要，因为真实场景中的失真往往复杂多样。
扩散模型与自监督学习的创新应用
文章介绍了两种前沿方法：一是基于扩散模型的PFD-IQA，通过感知先验发现和聚合模块以及特征细化策略，在八个标准数据集上达到PLCC 0.935和0.922；二是针对颗粒图像的自监督学习，设计质量感知对比损失并构建约2×10^7的退化空间，显著提升了常见BIQA数据集的性能。这些方法展示了生成模型和自监督范式在质量评估中的潜力，为减少对大量标注数据的依赖提供了新思路。
Q&A
盲图像质量评估（BIQA）主要面临哪些挑战？
主要挑战包括：实验室模拟图像与野外拍摄图像之间的分布偏移，导致仅在合成失真上训练的模型在处理真实失真时表现薄弱，反之亦然；以及需要跨失真场景的泛化能力。
有哪些深度学习方法被用于盲图像质量评估？
包括基于CNN的方法（如微调CNN提取特征并用SVR计算子区域评分）、深度双线性模型、基于Transformer的架构、多任务学习方法、自监督学习（如质量感知对比损失）、以及扩散模型（如PFD-IQA）。
自监督学习在盲图像质量评估中是如何应用的？
通过设计预测任务约束学习过程，并引入质量感知对比损失，基于改进的退化过程构建约2×10^7的退化空间，从而提升BIQA性能。
Transformer在盲图像质量评估中有什么作用？
基于Transformer的BIQA系统能高效表示质量感知特征，具有强泛化能力，并引入注意力面板机制来改善模型性能并减少预测不确定性。
扩散模型如何用于盲图像质量评估？
PFD-IQA方法利用扩散模型，提出感知先验发现和聚合模块以及基于感知先验的特征细化策略，消除质量感知特征中的噪声，在八个标准BIQA数据集上达到PLCC 0.935和0.922，优于现有方法。
如何解决盲图像质量评估中的跨失真问题？
开发一个“统一”的BIQA模型，采用同时用于合成和真实失真的训练方法，通过端到端优化特征工程和质量回归，提升模型在跨失真场景下的性能。
