基于偏好引导的无参考图像质量评估去偏框架
计算机视觉与模式识别
2026-03-23 v1
摘要
当前用于增强图像的无参考图像质量评估（NR-IQA）模型常常难以泛化，因为它们倾向于过拟合特定增强算法的独特模式，而非评估真实的感知质量。为解决此问题，我们提出了一种用于无参考增强图像质量评估（EIQA）的偏好引导去偏框架。具体而言，我们首先使用监督对比学习学习连续的增强偏好嵌入空间，其中由相似增强风格生成的图像被鼓励拥有更接近的表示。基于此，我们进一步估计原始质量表示中由增强引起的杂散成分，并在质量回归前将其去除。如此一来，模型被引导关注算法不变的感知质量线索，而非增强特定的视觉指纹。为实现稳定的优化，我们采用两阶段训练策略，先学习增强偏好空间，再进行去偏质量预测。大量实验表明，所提方法有效缓解了算法引起的表示偏差，相较于现有方法在鲁棒性和跨算法泛化方面取得优异性能。
引用
@article{arxiv.2603.20086,
title = {Preference-Guided Debiasing for No-Reference Enhancement Image Quality Assessment},
author = {Shiqi Gao and Kang Fu and Zitong Xu and Huiyu Duan and Xiongkuo Min and Jia Wang and Guangtao Zhai},
journal= {arXiv preprint arXiv:2603.20086},
year = {2026}
}