深度形状纹理统计完全盲目图像质量评估
内容提要
该文综述盲图像质量评估（BIQA）领域进展，涵盖手工特征方法、监督与无监督深度学习模型及多模态质量评估，并介绍合成与真实失真数据库。研究表明，深度学习结合纹理与结构相似度、概率质量表示、自监督学习及跨失真统一训练，可提升评估精度与泛化能力，部分模型评分比人类观察者更接近平均主观分。
延伸解读
从手工特征到深度学习：BIQA 的技术演进
文章梳理了盲图像质量评估从手工特征到深度学习的转变。早期方法依赖特定失真设计特征，泛化能力有限；深度学习模型通过 CNN 自动提取特征，并结合纹理与结构相似度、概率质量表示（PQR）等策略提升精度。PQR 不仅加速训练收敛，还比标量回归显著提高预测精度，体现了质量表示方式对模型性能的关键影响。
跨失真泛化：合成与真实场景的鸿沟
文章指出，仅在合成失真数据库上训练的模型在真实失真场景中表现薄弱，反之亦然，根源在于两类图像分布偏移。为此，有研究提出统一 BIQA 模型，采用同时用于合成和真实失真的训练方法，在多个畸变场景下实现更高评估精度。这表明提升跨域泛化能力是当前 BIQA 的核心挑战之一。
无回归框架与自监督学习的新思路
文章介绍了一种基于检索相似图像实例的无回归框架，通过语义和畸变分类模块聚合主观评分，实验显示显著优于回归模型。另一项工作利用自监督学习设计质量感知对比损失，构建约 2×10^7 的退化空间，显著提升常见 BIQA 数据集性能。这些方法减少了对大量主观标注的依赖，为数据稀缺场景提供了新路径。
评估表现：部分模型已接近人类平均主观分
文章提到，有深度学习方法在 LIVE In the Wild 和 LIVE 数据库上优于当时最优方法，且在很多情况下比普通人类观察者的评分更接近平均观察者评分。这并不意味着模型全面超越人类感知，而是说明在特定数据集和任务设定下，模型预测与群体平均主观分具有较高一致性，实际应用中仍需关注数据库偏差和场景覆盖。
Q&A
盲图像质量评估（BIQA）主要研究什么？
BIQA旨在无参考图像的情况下评估图像质量，涵盖手工特征方法、监督与无监督深度学习模型以及多模态质量评估，并涉及合成与真实失真数据库。
深度学习如何提升盲图像质量评估的精度？
通过结合纹理与结构相似度、概率质量表示、自监督学习及跨失真统一训练，深度学习模型能提升评估精度与泛化能力，部分模型评分比人类观察者更接近平均主观分。
跨失真场景下BIQA模型面临什么挑战？
由于实验室模拟图像与野外拍摄图像之间存在分布偏移，仅在合成失真数据库上训练的模型处理现实失真时表现薄弱，反之亦然。
有哪些方法可以应对BIQA中的跨失真问题？
开发“统一”的BIQA模型，并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。
概率图像质量表示（PQR）有什么作用？
PQR用于训练深度BIQA模型，不仅能加速深度模型训练的收敛，而且相对于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。
自监督学习在BIQA中如何应用？
通过设计预测任务方法，约束学习过程并设计质量感知对比损失，基于改进的退化过程形成约2×10^7的退化空间，显著提高了常见BIQA数据集上的性能。
