深度特征在无关人类意见、无关失真、无参考图像质量评估中的潜力

图像质量评估算法为原始或失真输入图像预测质量分数，使其与人类意见相关。传统方法需要输入图像的非失真“参考”版本进行比较以预测该分数。然而，近期的“无参考”方法通过建模干净图像特征的分布规避此要求，从而更适于实际使用。但此类方法多数或使用手工特征，或需在人类意见分数上训练（监督学习），而后者难以获取与标准化。我们探索改用深度特征的可能性，特别是卷积自编码器神经网络架构的编码（瓶颈）特征图。同时，我们不在主观分数上训练网络（无监督学习）。IQA方法的主要要求是预测分数随输入图像失真程度单调增加，以及对相同失真类型与内容但不同失真水平的图像保持一致性排序。在多样化图像集上使用Pearson、Kendall和Spearman相关分数的定量实验表明，对于模糊、噪声和压缩伪影三种失真，我们所提方法比最先进方法（使用手工特征）更好地满足上述要求。这展示了在该IQA中相对未充分探索的子领域未来研究的潜力。