Life-IQA：通过 GCN 增强的层间交互和基于 MoE 的特征解耦提升盲图像质量评估
计算机视觉与模式识别
2025-11-25 v1 人工智能
摘要
盲图像质量评估（BIQA）在评估和优化视觉体验中发挥着关键作用。大多数现有的 BIQA 方法融合来自骨干网络提取的浅层和深层特征，而忽视了它们对质量预测的不等贡献。此外，虽然各种视觉编码器骨干网络在 BIQA 中被广泛采用，但有效的质量解码架构仍未被充分探索。为了解决这些限制，本文研究了浅层和深层特征对 BIQA 的贡献，并提出了一种有效的质量特征解码框架，通过 GCN 增强的层间交互和基于 MoE 的特征解耦，命名为 Life-IQA。具体而言，GCN 增强的层间交互模块利用 GCN 增强的最深层特征作为查询，倒数第二层特征作为键和值，然后执行交叉注意力以实现特征交互。此外，提出了一种基于 MoE 的特征解耦模块，用于通过专门针对特定失真类型或质量维度的不同专家来解耦融合表示。广泛的实验表明，Life-IQA 在准确性和成本之间比纯 Transformer 解码器展现出更有利的平衡，并在多个 BIQA 基准上取得了最先进的性能。代码可在以下地址获取：\href{https://github.com/TANGLONG2/Life-IQA/tree/main}{\texttt{Life-IQA}}。
引用
@article{arxiv.2511.19024,
title = {Life-IQA: Boosting Blind Image Quality Assessment through GCN-enhanced Layer Interaction and MoE-based Feature Decoupling},
author = {Long Tang and Guoquan Zhen and Jie Hao and Jianbo Zhang and Huiyu Duan and Liang Yuan and Guangtao Zhai},
journal= {arXiv preprint arXiv:2511.19024},
year = {2025}
}