HiRQA: 面向无参考图像质量评价的层次化排序与质量对齐
计算机视觉与模式识别
2026-05-28 v2
摘要
尽管无参考图像质量评价（NR-IQA）取得了显著进展，但数据集偏差和对主观标签的依赖仍然阻碍了其泛化性能。我们提出了 HiRQA（层次化排序与质量对齐），这是一个自监督的、无参考意见的框架，通过结合排序学习和对比学习，提供层次化的、质量感知的嵌入。与在推理时依赖原始参考或辅助模态的先前方法不同，HiRQA 仅使用输入图像预测质量分数。我们引入了一种新颖的高阶排序损失，通过失真对之间的关系排序来监督质量预测，以及一个嵌入距离损失，强制特征距离与感知差异之间的一致性。训练时的对比对齐损失，由结构化文本提示引导，进一步增强了学习到的表示。仅在合成图像失真上训练，HiRQA 就能泛化到真实退化，这一点通过对各种未见失真（如镜头眩光、雾霾、运动模糊和低光照条件）的综合评估得到了证明。为了实时部署，我们推出了 HiRQA-S，这是一个轻量级变体，每张图像的推理时间仅为 3.5 毫秒。在合成和真实基准上的广泛实验验证了 HiRQA 的竞争性能、强泛化能力和可扩展性。HiRQA 模型和推理流程可在以下地址获取：https://github.com/uf-robopi/HiRQA。
引用
@article{arxiv.2508.15130,
title = {HiRQA: Hierarchical Ranking and Quality Alignment for Opinion-Unaware Image Quality Assessment},
author = {Vaishnav Ramesh and Haining Wang and Md Jahidul Islam},
journal= {arXiv preprint arXiv:2508.15130},
year = {2026}
}
备注
Accepted for publication in Machine Vision and Applications