弥合合成和真实之间的差距：畸变引导的无监督领域自适应对盲目图像质量评估
内容提要
本文探讨了盲图像质量评估（BIQA）模型的优化，提出了一种“统一”的BIQA模型，通过合成与真实失真的训练方法，提高了模型在不同失真场景下的评估精度。研究展示了双向生成领域自适应模型和基于深度学习的图像质量评估方法，在多个数据集上表现优越，解决了领域泛化的挑战。
延伸解读
领域偏移：合成与真实失真的鸿沟
文章指出，实验室模拟图像与野外拍摄图像之间存在分布偏移，导致仅在合成失真上训练的BIQA模型在处理真实失真时表现薄弱，反之亦然。这种跨域差异是模型泛化能力的主要障碍，也是本文提出统一模型和领域自适应方法的出发点。
统一模型与双向生成领域自适应
为应对跨失真场景，作者开发了“统一”BIQA模型，采用同时用于合成和真实失真的训练方法。同时，双向生成领域自适应模型通过一致分类器插值两个中间域，平衡减轻域差异和保留内在结构，并利用跨领域对齐约束增强性能。
基于深度学习的评估与BIQ2021数据集
文章提出一种基于深度学习的BIQA方法，包含两个CNN子单元，并构建了自行收集的自然扭曲图像库BIQ2021用于训练和验证。在多个数据集上的实验表明，该方法具有较高的评估精度和广泛的泛化性能。
合成数据与领域泛化的策略
通过生成对抗网络生成合成数据，并将领域自适应方法应用于领域泛化场景，作者提出两种方法解决领域泛化挑战。在四个跨领域基准数据集上的实验结果显示，所提模型在领域泛化方面优于当前最先进的方法。
Q&A
什么是盲图像质量评估（BIQA）模型？
盲图像质量评估（BIQA）模型是一种用于评估图像质量的模型，能够在没有参考图像的情况下进行评估。
如何提高BIQA模型在不同失真场景下的评估精度？
通过开发一个“统一”的BIQA模型，采用同时用于合成和真实失真的训练方法，可以提高模型在不同失真场景下的评估精度。
双向生成领域自适应模型的作用是什么？
双向生成领域自适应模型通过一致分类器插值平衡域差异，增强模型在不同领域的性能。
自我监督学习方法如何影响BIQA模型的性能？
自我监督学习方法通过约束学习过程和设计质量感知对比损失，显著提高了常见BIQA数据集上的性能。
在图像质量评估中，合成数据的使用有什么优势？
合成数据通过生成对抗网络生成，能够有效解决领域泛化挑战，提高模型在真实图像上的适应性。
组合不同图像增强方法的效果如何？
组合不同的图像增强方法优于单独使用，且与最先进的领域泛化方法表现相当。
