本研究提出CLIP-DQA方法，解决盲去雾图像质量评估中的参考信息不足问题。该方法利用CLIP模型处理全球和局部信息，通过提示学习优化视觉和语言分支，实验结果表明其在真实数据集上优于现有方法，具有重要应用潜力。

本研究针对现有医疗图像质量评估方法的不足，优化了HaarPSI参数设置。实验结果表明，医疗图像对参数选择敏感，提出的HaarPSI$_{MED}$配置有效提升了评估性能，强调了调整IQA方法以适应医疗图像的重要性。

本文介绍了Dog-IQA方法，通过利用多模态大语言模型的先验知识，采用零样本多级评估策略，解决了图像质量评估中的泛化能力差和训练成本高的问题。该方法在无训练情况下表现出优异性能，并在跨数据集上具有竞争力。研究还提出了TOPIQ和LAR-IQA等创新方法，提高了评估的准确性和鲁棒性，适用于资源有限的设备。

该研究提出了多种图像质量评估模型，包括基于梯度相似性、Haar小波分解和卷积神经网络的方法，验证了其在医学影像和图像合成中的有效性，显示出较高的准确性和计算效率，具有潜在的临床应用价值。

本文介绍了一种基于深度神经网络的图像质量评估方法，强调其在全参考和无参考情况下的优越性。研究提出了多分辨率知觉量度和基于知识蒸馏的内容变异参考方法，以提高评估准确性。同时，探索了基于transformer的模型和混合专家方法，均表现出良好性能。

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。

本文介绍了一种基于深度元学习的无参考图像质量评估方法，通过学习人类评估图像质量的元知识来优化质量模型。研究表明，该方法在多个数据集上优于现有技术，并具备良好的推广能力。此外，提出了多任务学习与视觉-语言模型结合的新方法，提升了评估的准确性和鲁棒性。

本文介绍了一种基于深度学习的图像质量评估方法，涵盖全参考和无参考场景。研究提出了多种模型，利用卷积神经网络和Transformer提取图像特征，优化质量评估，尤其在医学图像异常检测中表现优越，显著提升了评估准确性。

本研究提出了多种用于医学图像异常检测的方法，特别针对脑MRI。采用3D各向异性混合网络、变分自动编码器和生成对抗网络等技术，显著提升了异常检测和分割性能。同时，强调了图像质量评估的重要性，并提出了新的评估方法，在BraTS21和MSULB数据集上表现优越。

本文探讨了利用CLIP模型评估人工智能生成图像（AIGIs）的质量，提出了多种评估方法和数据库，如PKU-AIGIQA-4K。研究表明，基于人类感知的评估方法在图像质量检测中表现优异，有效提升用户视觉体验。

本文介绍了多种基于深度神经网络的图像质量评估方法，包括全参考和无参考模型。这些方法通过数据驱动的特征提取和回归，提升了评估性能，且不依赖于手工特征。研究还探讨了视觉显著性、对比度及语义信息在图像质量评估中的应用，展示了在多个基准数据集上的优越表现。

本研究提出了一种融合质量损失函数，结合结构相似性指标损失和l1损失，用于脑MRI异常检测中的图像质量评估。实验结果显示该方法在BraTS21和MSULB数据集上相较于当前最先进的方法有显著提升。

研究表明，基于深度学习的图像处理方法在感知相似度方面优于传统度量，适用于不同特征提取器。提出的感知信息度量（PIM）在图像质量评估中表现出色，并能提高深度神经网络的检测性能。此外，研究探讨了Few-Shot分类数据集的偏见及其对实际应用的影响，并提出了改进方案。

本文介绍了一种基于众包的视觉知觉试验框架，创建了新的PJND数据集KonJND++，包含300个源图像及其压缩版本。利用深度学习建立了综合多种畸变类型的JND模型，并提出了基于图像质量评估的细粒度JND预过滤网络，以提高视觉无损压缩效率和感知质量。

本文介绍了多种基于视觉变换器（ViT）和自注意力机制的图像质量评估方法，包括局部失真特征提取、无参考评估和多模态融合等技术。这些方法在多个数据集上表现出色，展示了大规模预训练模型在图像处理中的潜力。

本文介绍了多种图像质量评估方法，包括基于视觉显著性、对比度和对抗学习的技术，旨在提高评估的准确性和实时性。同时，研究建立了大规模虚拟现实质量数据库，并评估了不同质量评估模型的性能，推动了相关领域的研究进展。

本文介绍了多种基于大型语言模型（LLMs）和多模态深度学习的创新框架，如Tree-GPT、WorldGPT和FakeNewsGPT4，旨在提升数据分析、假新闻检测和图像质量评估的效率。这些模型在森林遥感、医学成像和科学成像等领域表现优异，展示了LLMs在复杂情境理解和预测中的潜力。

该研究介绍了图像质量评估数据集PIQ23和KonIQ-10k，后者是最大的图像质量数据集，包含10,073张图像。研究还提出了深度学习模型KonCept512，强调高分辨率图像数据库在预测主观评分中的重要性，并开发了新的无参考图像质量评估模型，提高了评估的准确性和鲁棒性。

本文介绍了一种基于多模式提示的图像质量评估方法，结合视觉和语言数据，提升了评估的鲁棒性和准确性。研究提出了多模态框架IP-IQA和CPL方法，显著提高了通用化性能。此外，提出的无监督提示学习（UPL）方法在多个数据集上表现优异，促进了多模态生成领域的发展。

本文讨论了图像质量评估（IQA）在医学图像中的重要性，指出现有全参考方法在评估不同类型医学图像时的局限性，并提出了改进机器学习可解释性和泛化性的建议。介绍了新开发的无参考感知图像质量指数（PIQI），并探讨了基于生成对抗网络的图像修复算法的评估问题，强调需要新的基准数据集以推动IQA方法的发展。