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。

本综述分析了盲图像质量评估领域的最新发展和趋势，包括手工制作BIQA、深度学习BIQA和多模态质量评估方法。还讨论了代表性的BIQA数据库。对视觉质量社区的进展提供了有价值的理解。

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。