探索图像质量评估中的丰富主观质量信息
内容提要
本文介绍了一种基于深度神经网络的图像质量评估方法，提出了多个数据集和模型，如KonIQ-10k和TOPIQ，利用众包和深度学习技术提高评估准确性。该方法在无参考和全参考情况下均表现优异，展示了图像质量评估领域的最新进展。
延伸解读
从手工特征到数据驱动：IQA 方法的演进
文章梳理了图像质量评估（IQA）从依赖手工特征和视觉系统知识，转向数据驱动深度学习的历程。2016 年提出的方法已实现特征提取与回归全由数据驱动，并在全参考和无参考场景下超越传统方法。这标志着 IQA 不再依赖人工设计特征，而是让模型直接从数据中学习质量表示，为后续大规模数据集和复杂模型奠定基础。
大规模数据集与众包标注的价值
KonIQ-10k 和 DQ-495K 等数据集的构建，凸显了大规模、多样化且带主观评分数据对 IQA 研究的关键作用。KonIQ-10k 包含 10,073 张图像，通过众包获得 1,467 名工人的 120 万评分，保证了评级的可靠性。DQ-495K 则支持评估、比较等任务，使模型能学习更丰富的质量信息。这些数据集推动了模型泛化能力的提升。
模型架构创新：从 CNN 到语义引导与扩散先验
文章介绍了多种提升 IQA 性能的架构思路。KonCept512 基于 InceptionResNet 在高分辨率数据上取得 SROCC 0.921；TOPIQ 利用高层语义指导网络关注语义重要的局部失真，其 CFANet 采用跨尺度注意力机制；DP-IQA 则借助预训练扩散模型的先验知识提取多级特征。这些方法分别从语义引导和生成先验角度，推动了无参考和全参考评估的进步。
统一评估与主观偏差校准的探索
UniQA 方法尝试统一图像质量评估和美学评估，并展现无需训练样本和少标签的学习能力。同时，有研究通过建立低成本与高成本主观标注之间的偏差模型进行校准，以从低成本标注中学习鲁棒的 IQA 模型。这些方向表明，IQA 正朝着多任务统一和降低标注成本的方向发展，但实际部署中仍需关注偏差校准的泛化性。
Q&A
什么是KonIQ-10k数据集，它的特点是什么？
KonIQ-10k数据集是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，通过众包获得可靠的质量评级。
深度神经网络在图像质量评估中如何提高准确性？
深度神经网络通过数据驱动的特征提取和回归过程，能够在无参考和全参考情况下表现优异，提高评估准确性。
TOPIQ方法的核心机制是什么？
TOPIQ方法利用高层语义指导图像质量评估，设计了粗到细网络CFANet，通过跨尺度注意力机制计算低层特征的注意力图。
如何通过众包创建图像质量评估数据库？
通过众包实验，招募工人进行质量评分，从而获得可靠的图像质量评级，构建大规模的IQA数据库。
UniQA方法的优势是什么？
UniQA方法能够同时提高图像质量评估和美学评估的性能，展现优异的无需训练样本和少标签图像评估能力。
DP-IQA方法是如何利用扩散模型的？
DP-IQA方法利用预训练扩散模型的先验知识，通过提取多级特征和解码来估计图像质量得分，取得了最先进的结果。
