MetaQAP - 用于图像质量评估的质量感知预训练的元学习方法
计算机视觉与模式识别
2025-10-17 v2 图像与视频处理
摘要
图像质量评估(IQA)是广泛应用领域的关键任务，但由于主观感受和真实图像失真的复杂性，仍具有挑战性。本研究提出了MetaQAP，一种新型无参考IQA模型，通过质量感知预训练和元学习来解决这些挑战。该模型包含三个关键贡献：在质量感知数据集上对卷积神经网络(CNN)进行预训练、实施质量感知损失函数以优化预测、集成元学习器以有效组合来自多个基模型的预测。对三个基准数据集(LiveCD、KonIQ-10K和BIQ2021)上的实验评估表明，所提出的MetaQAP模型在LiveCD上实现了0.9885/0.9812的皮尔逊线性相关系数(PLCC)/斯佩尔曼秩序相关系数(SROCC)，在KonIQ-10K上实现了0.9702/0.9658，在BIQ2021上实现了0.884/0.8765，超越了现有的IQA方法。在跨数据集评估中，模型的泛化能力得到进一步证明，PLCC和SROCC分别在0.6721至0.8023和0.6515至0.7805之间变化。消融研究确认了每个模型组件的重要性，表明如果省略关键元素(如元学习器或质量感知损失函数)，则会出现显著的性能下降。MetaQAP不仅解决了真实失真的复杂性，还为实际的IQA应用建立了稳健且可泛化的框架。通过推动无参考IQA领域的前沿水平，本研究为未来的改进和延伸提供了宝贵的见解和方法论。
引用
@article{arxiv.2506.16601,
title = {MetaQAP - A Meta-Learning Approach for Quality-Aware Pretraining in Image Quality Assessment},
author = {Nisar Ahmed and Gulshan Saleem and Nazik Alturki and Nada Alasbali},
journal= {arXiv preprint arXiv:2506.16601},
year = {2025}
}