提升图像质量评估性能：基于深度最大后验估计的无监督得分融合

过去数十年间，涌现出众多图像质量评估（IQA）模型，旨在预测图像的感知质量。然而，单个模型因设计原则和过程的不同，往往偏向于某些类型图像内容或失真。直观的想法是通过将多个IQA模型的得分融合为一个更强的模型，来利用每个模型的优势并缓解其弱点。本文首次尝试寻求该想法的最优解，提出了一种用于无监督IQA得分融合的通用框架，基于深度最大后验估计（MAP）。该模型在得分层面进行细粒度的不确定性估计，以提高融合预测准确性并降低不确定性。综合实验表明，所提模型在单个IQA模型及其他融合方法上均表现出优越性。模型还展现出在融合过程中拒绝“差”模型的有趣能力。