面向感知图像复原的图像质量评价：新数据集、基准与指标

图像质量评价（IQA）是图像复原（IR）算法快速发展的关键因素。基于生成对抗网络（GANs）的最新感知 IR 算法在视觉性能上带来了显著提升，但也给定量评价带来了巨大挑战。值得注意的是，我们观察到感知质量与评价结果之间日益增加的不一致性。我们提出两个问题：现有 IQA 方法能否客观评价最近的 IR 算法？在专注于击败当前基准的同时，我们是否得到了更好的 IR 算法？为回答这些问题并推动 IQA 方法的发展，我们贡献了一个大规模 IQA 数据集，称为感知图像处理算法（PIPAL）数据集。特别地，该数据集包含了基于 GAN 的 IR 算法的结果，而这是先前数据集所缺失的。我们使用更可靠的 Elo 系统收集了超过 113 万条人类判断，为 PIPAL 图像分配主观分数。基于 PIPAL，我们提出了 IQA 和 SR 方法的新基准。我们的结果表明，现有 IQA 方法无法公平评价基于 GAN 的 IR 算法。虽然使用适当的评价方法很重要，IQA 方法也应随 IR 算法的发展而更新。最后，我们阐明了如何改进对基于 GAN 失真的 IQA 性能。受现有 IQA 方法在基于 GAN 失真上表现不佳部分源于其对空间错位容忍度低的发现的启发，我们提出通过显式考虑该错位来改进 IQA 网络在基于 GAN 失真上的性能。我们提出了空间扭曲差异网络，其包含新颖的 l_2 池化层和空间扭曲差异层。实验证明了所提方法的有效性。