基于因果解耦的失真表征学习用于全参考图像质量评估
计算机视觉与模式识别
2026-05-29 v3 人工智能
摘要
现有的深度网络基于全参考图像质量评估（FR-IQA）模型通常通过对参考图像和失真图像的深层特征进行两两比较来工作。本文从不同角度出发，提出一种基于因果推断和解耦表征学习的新型FR-IQA范式。不同于通常基于特征比较的FR-IQA模型，我们的方法将退化估计形式化为受潜在表征干预引导的因果解耦过程。首先，利用参考图像和失真图像之间的内容不变性，将退化和内容表征解耦。其次，受人类视觉遮蔽效应的启发，我们设计遮蔽模块来建模图像内容与退化特征之间的因果关系，从而从失真图像中提取受内容影响的退化特征。最后，采用监督回归或无标签降维方法从这些退化特征预测质量评分。大量实验表明，我们的方法在标准IQA基准测试中在全监督、少标签和无标签设置下均取得极具竞争力的性能。此外，我们在具有稀缺数据的数据域上评估了该方法，包括水下、放射学、医学、中子和屏幕内容图像。凭借其在无需标记IQA数据的场景-specific训练和预测能力，本方法在跨域泛化方面优于现有的无训练FR-IQA模型。
引用
@article{arxiv.2604.21654,
title = {Causal Disentanglement-Inspired Degradation Representation Learning for Full-Reference Image Quality Assessment},
author = {Zhen Zhang and Jielei Chu and Tian Zhang and Lin Ma and Fengmao Lv and Weide Liu and Tianrui Li and Yuming Fang},
journal= {arXiv preprint arXiv:2604.21654},
year = {2026}
}