主观与客观图像质量的大规模在线众包研究

大多数公开可用的图像质量数据库是在高度受控条件下，通过在高质量照片上引入分级模拟失真而创建的。然而，使用典型现实世界移动相机设备捕获的图像通常受到多种失真的复杂混合所困扰，这些失真不一定能被现有数据库中的合成失真很好地建模。现有传统数据库的创建者通常进行人类心理物理研究，以在严格控制的视觉环境中获取统计上有意义的人类意见分数集，导致相对于其他类型的图像分析数据库，数据收集规模较小。为克服这些限制，我们设计并创建了一个新数据库，称之为 LIVE In the Wild Image Quality Challenge Database，其包含在大量使用代表性现代移动设备捕获的图像上广泛多样的真实图像失真。我们还设计并实现了一个新的在线众包系统，用于开展非常大尺度、多月的图像质量评估主观研究。我们的数据库包含超过350000个意见分数，涵盖1162幅图像，由超过7000名独特人类观察者评价。尽管缺乏对众多研究参与者实验环境的控制，我们展示了主观数据集极好的内部一致性。我们还在其上评估了几种性能最优的盲图像质量评估算法，并提出了关于失真混合如何挑战最终用户以及自动感知质量预测模型的见解。