摘要
过去几年，随着智能手机和移动互联网的普及，社会生活对图像产生了巨大需求。对图像服务提供者来讲，用户接收的图像信息是否有用是他们面临的关键问题之一。而在问题解决过程中，如何准确评估图像视觉质量是一个重要问题。客观图像质量评价(ImageQualityAssessment，IQA)方法目的在于通过算法模型自动预测图像质量分数的大小。 在图像质量评价任务中，由于自然图像来源广泛、内容丰富，使得自然图像通常存在未知类型的复杂失真；另外人类视觉对图像的感知过程中，失真信息和内容信息都发挥了重要作用。因此解决IQA任务的关键主要在：(1)充分利用图像中的失真和内容信息，获取有效的质量感知规则，以度量图像的复杂失真程度；(2)以合适的方法模拟人眼视觉系统中失真和内容信息的交互，得到与人眼感知相一致的评价结果。针对以上两点问题，本文提出以下两种无参考型图像质量评价方法。 (1)针对自然图像的复杂失真，从失真和内容的信息获取和信息交互的角度出发，提出了一种基于MAML（Model-AgnosticMeta-Learning，模型无关元学习）的无参考图像质量评价方法。首先，考虑到合成失真数据集规则的失真等级和失真类型，从中产生多种单一失真数据集，并从中提取有效的失真质量信息以度量图像质量退化程度；其次，考虑到人眼视觉系统自上而下的感知方式，利用图像语义特征指导浅层特征，并从中提取有效的内容质量信息以模拟质量感知方式；然后，利用模型驱动的元学习方法探索失真、内容信息交互与全局视觉特征之间的潜在关系，通过学习到的潜在关系获取对图像整体质量的评价分数。最后在四个公开标准IQA数据集上进行大量实验验证，结果表明本文方法的性能优于目前较优秀的一些IQA方法，与主观评价有较高的一致性。 (2)目前大多数无参考IQA方法均以卷积神经网络（ConvolutionalNeuralNetwork，CNN）结构提取特征，针对由于深度CNN特征空间位置信息匮乏导致的局部失真表征困难的问题，提出了一种基于SwinTransformer的无参考IQA方法。将深度CNN特征作为Transformer模块的token输入，并使用SwinTransformer的相对位置编码表征特征空间位置关系，最后利用有效地映射方式得到质量预测。在标准IQA数据集上的对比实验和消融实验结果证明了此种方法的性能优越性。
NETL