DEFNet：基于多任务深度信任融合网络用于盲图质量评估
计算机视觉与模式识别
2026-02-24 v1 人工智能
图像与视频处理
摘要
盲图质量评估（BIQA）方法常常引入辅助任务以提升性能。然而，现有方法因集成不足以及缺乏灵活的不确定性估计而受到限制，导致性能 suboptimal。为此，我们提出一种基于多任务的深度信任融合网络（DEFNet）用于BIQA，该网络通过辅助场景和失真类型分类任务实现多任务优化。为获得更稳健可靠的表征，我们设计了一种新颖的可信信息融合策略。该策略首先将跨子区域的多样特征和模式进行组合，以增强信息丰富性，然后通过平衡细粒度细节与粗粒度上下文进行局部-全局信息融合。此外，DEFNet 利用受规模逆伽马分布混合物启发的先进不确定性估计技术。在大量基于合成和真实失效数据集上的实验表明，所提框架的有效性和鲁棒性。还进行了额外的评估与分析，以凸显其强大的泛化能力及对先前未遇情形的适应性。
引用
@article{arxiv.2507.19418,
title = {DEFNet: Multitasks-based Deep Evidential Fusion Network for Blind Image Quality Assessment},
author = {Yiwei Lou and Yuanpeng He and Rongchao Zhang and Yongzhi Cao and Hanpin Wang and Yu Huang},
journal= {arXiv preprint arXiv:2507.19418},
year = {2026}
}