本文综述了盲图像质量评估（BIQA）的最新进展，探讨了偏好图片对、深度学习和自我监督学习等方法。提出了基于Transformer的评估系统和轻量级并行框架（LPF），在多个数据集上表现出优越性能和较低计算复杂性。

本文提出了一种新型盲图像质量评估模型，解决了质量感知特征表示和训练样本多样性问题。实验结果表明，该模型在多个数据库上表现优异，具有更强的鲁棒性。同时，研究探讨了深度学习技术在图像质量评估中的应用，并提出多种方法以提高评估的精度和效率。

本文探讨了盲图像质量评估（BIQA）模型的优化，提出了一种“统一”的BIQA模型，通过合成与真实失真的训练方法，提高了模型在不同失真场景下的评估精度。研究展示了双向生成领域自适应模型和基于深度学习的图像质量评估方法，在多个数据集上表现优越，解决了领域泛化的挑战。

该文综述盲图像质量评估研究进展，涵盖自监督学习、CNN与Transformer模型、多任务学习、扩散模型等方法，通过端到端优化和跨失真训练提升评估精度，在多个数据集上优于现有方法。

本文综述盲图像质量评估（BIQA）研究进展，重点包括：利用多畸变数据库训练深度网络以提升实验室与野外评估精度；提出dipIQ、dilIQ、PQR等方法及KonIQ-10k、PIQ23、BIQ2021等数据集；针对合成与真实失真分布偏移，构建统一模型和跨数据集强健模型，显著提高泛化性能。

该文综述盲图像质量评估（BIQA）领域进展，涵盖手工特征方法、监督与无监督深度学习模型及多模态质量评估，并介绍合成与真实失真数据库。研究表明，深度学习结合纹理与结构相似度、概率质量表示、自监督学习及跨失真统一训练，可提升评估精度与泛化能力，部分模型评分比人类观察者更接近平均主观分。

本研究提出了一个强健的盲图像质量评估方法，通过训练多个基于 Swin-Transformer 的模型并生成伪标签构建了大规模真实世界图像数据集，训练了跨数据集强健模型，交叉数据集测试结果表明该方法性能优于最新方法。