基于多尺度深度特征统计的无观测盲图质量评估

深度学习方法显著影响了盲图质量评估（BIQA）领域，但这些方法通常需要大量的人类评分数据进行训练。相比之下，基于知识的传统方法在训练方面更具成本效益，但面临着有效提取与人类视觉感知一致的特征的挑战。为填补这一差距，我们提出将来自预训练视觉模型的深度特征与统计分析模型集成到一种多尺度深度特征统计（MDFS）模型中，以实现无观测盲图质量评估（OU-BIQA），从而消除对人类评分数据的依赖，显著提高训练效率。具体而言，我们从预训练视觉模型中提取分块的多尺度特征，然后拟合到多元正态分布（MVG）模型中。最终质量得分通过量化测试图像所得 MVG 模型与来自高质量图像集的基准 MVG 模型之间的距离来确定。在 various 数据集上进行的全面实验表明，我们所提出的模型在与人类视觉感知的一致性方面优于最新 BIQA 模型。此外，它在 diverse 目标特定 BIQA 任务上的通用性也得到了提升。我们的代码可在 https://github.com/eezkni/MDFS 上获得。