探索图像质量评估中的丰富主观质量信息
原文中文，约300字，阅读约需1分钟。发表于：。传统的野外图像质量评估模型通常依赖于均值意见分数（MOS）进行训练，而忽视了质量评分中包含的丰富主观质量信息。本文提出了一种名为RichIQA的新型图像质量评估方法，利用卷积视觉变换器（CvT）和多标签训练策略，能够预测并工程图像质量分布，从而显著提高评估准确性和模型的通用性。
TOPIQ是一种顶部向下的方法，通过高层语义指导图像质量评估网络集中在局部失真区域。该方法使用了CFANet网络，通过多尺度特征和自上而下的方式逐步传播多级语义信息到低级表示。CFANet可用于全参考和无参考图像质量评估，并在公开基准测试中表现出更好或有竞争力的性能。
