本研究解决了基于扩散的生成模型在高质量图像生成中的挑战，提出将图像质量评估(IQA)模型整合进生成过程中。通过引入IQA-适配器，该架构能够根据目标质量水平进行条件生成，实验结果表明，在多个客观指标上可实现高达10%的性能提升，同时保持生成多样性和内容完整性。

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。

本研究解决了现有无参考图像质量评估（NR-IQA）模型的大型复杂性的问题，提出了一种紧凑、轻量化的模型，在保证高性能的同时，适用于资源受限的移动设备。通过引入双分支架构和多种颜色空间的训练方法，显著提升了模型的通用性和鲁棒性，尤其在实际应用中表现出色。

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。

基于扩散先验的盲目图像质量评估（DP-IQA）方法利用预训练扩散模型的先验知识，通过提取多级特征和解码来估计图像质量得分，实验结果表明我们的方法在各种自然图像数据集上取得了最先进的结果，并展示了我们方法在全局建模和利用扩散的层次特征线索评估图像质量方面的优越性。

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。

利用压缩采样的图像质量评估方法 (S-IQA) 提出了一个新的框架，其中包括灵活采样模块、自适应嵌入模块和双分支模块，通过这个方法在各种数据集上实现了最先进的结果。

通过构建一个新的损失函数和网络，本研究提出了一个 GMC-IQA 框架，综合了全局相关性和均值一致性，通过定义基于偏好的排序估计来解决非可微问题，并引入了队列机制来近似整个数据集的全局结果。实验证明，我们的方法在多个真实数据集上的准确性和泛化能力上优于其他方法，并且适应了多种网络，取得了更好的性能和更稳定的训练。

TOPIQ是一种顶部向下的方法，用于图像质量评估。该方法使用CFANet网络，通过多尺度特征和自上而下的方式传播多级语义信息。跨尺度注意力机制是该方法的关键组成部分。CFANet可用于全参考和无参考图像质量评估，并在公开基准测试中表现出更好的性能。