本文介绍了几种基于深度学习的无参考图像质量评估方法，如RankIQA、幻觉引导网络和SaTQA。这些方法通过数据驱动的特征提取和学习算法，提高了图像质量评估的准确性和效率，尤其在资源受限的设备上表现优异。

该研究提出了一种创新框架，将局部流形学习与对比学习相结合，用于无参考图像质量评估。该方法在多个裁剪中识别出最具视觉显著性的裁剪，并将其他来自同一图像的裁剪作为正类进行聚类，将来自不同图像的裁剪作为负类以增加类间距离。此外，还采用了互相学习的框架，提高了模型的自适应学习和视觉显著性区域识别能力。在7个标准数据集中，该方法表现出更好的性能。

本文提出了一种无参考图像质量评估方法（RankIQA），通过训练Siamese网络对图像质量进行排名评估，无需人工标注。通过微调将网络知识转移至传统CNN，提高效率。在TID2013和LIVE基准测试中，该方法结果提高了超过5%，优于现有技术。

现代无参考图像质量评估（NR-IQA）模型可用于图像增强，但不同模型可能导致不同的增强效果，需要经过感知测试来评估。该方法提供了一种新的计算方法，用于在合成分析框架内比较NR-IQA模型。与传统基于相关性的度量方法相比，该方法在感知优化的背景下提供了互补的洞察力，用于评估竞争的NR-IQA模型的相对优点和缺陷。

本文提出了一种无参考图像质量评估方法（RankIQA），通过训练Siamese网络对图像质量进行排名评估，无需人工标注。通过微调将网络知识转移至传统CNN，提高效率。在TID2013和LIVE基准测试中，该方法结果提高了超过5%，优于现有技术。

本文提出了一种基于查询的黑盒攻击方法，通过使用多个分数边界和人类视觉系统的特性，测试无参考图像质量评估方法的稳健性。实验证明该方法优于其他先进方法，揭示了NR-IQA在黑盒攻击下的脆弱性，为进一步研究NR-IQA的稳健性提供了有力工具。

本文提出了一种无参考图像质量评估方法（RankIQA），通过训练Siamese网络对图像质量进行排名评估，实现自动生成无需人工标注。通过微调，将Siamese网络的知识转移至传统的CNN，提高效率，并在TID2013和LIVE基准测试中取得了优于现有技术的结果。无需使用高质量的参考图像进行推断。

本文介绍了一种名为ENIQA的无参考图像质量评估方法，结合了空间域和频率域的特征，使用支持向量分类器和回归进行质量预测和失真分类。实验结果表明该方法具有高度的客观和主观评估一致性，且具有很好的泛化能力。

该研究提出了一种利用单一图像进行自监督学习的方法，通过门控卷积进行特征提取和无参考图像质量评估引导训练过程。实验结果表明，该方法在合成和真实世界数据集上实现了最先进的去噪性能，证明了其在各种噪声去除任务中的有效性和实用性。