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。

TOPIQ是一种用于图像质量评估的顶部向下方法，利用多尺度特征和跨尺度注意力机制传播多级语义信息到低级表示。TOPIQ在全参考和无参考图像质量评估中表现出更好的性能。

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。

本研究提出了一种全局-局部渐进整合网络（GlintIQA）用于图像质量评估。该方法通过混合特征提取结合全局和局部特征提取器，渐进特征整合和标签分配方法，解决了视觉Transformer在图像质量评估中的挑战。实验结果表明该方法在真实和合成数据集上都取得了显著改进。

该文章介绍了一个新的图像质量评估（IQA）数据集，包括6073个高分辨率的4K图像，填补了现有数据集的空白。该数据集通过众包研究获得感知质量评级，具有高质量图像、可靠的众包注释和高分辨率注释等特点，为感知图像质量评估研究和开发非参考IQA模型提供了新的机会。

提出了一种新颖的预训练框架，构建了适用于图像质量评估的通用表示。方法在多个数据集上取得了最先进的性能，并展现了显著的泛化能力。

本文讨论了图像质量评估在临床实践和算法开发中的重要性，提出了两种常见评估方法的局限性，并呼吁改进医学图像和机器学习的可解释性、可重复性和泛化性。未来研究的思路和指导方针也被提供。

本文介绍了一个名为PIPAL的大规模图像质量评估数据集，用于评估最近的图像修复算法。实验结果表明现有的IQA方法不能公平评估基于GAN的图像修复算法。通过引入抗锯齿池化，改善了IQA网络在基于GAN的扭曲上的性能。

本文研究了深度神经模型在图像质量评估方面的进展，并介绍了一个新的数据集用于比较IQA和Saliency Prediction任务之间的关系。

该论文介绍了一种基于监督对比学习与Transformer的图像质量评估模型SaTQA，通过训练提取图像退化特征并结合CNN和Transformer的能力来进一步提取图像的失真信息。实验结果表明，SaTQA在合成和真实数据集上优于目前的最先进方法。

通过嵌入局部失真特征和使用更大的预训练模型，该方法在IQA数据集上取得了最先进的性能，证明IQA能从大规模预训练模型中受益。