基于人脸换脸质量评估的无参考排序方法

随着计算机视觉和图像处理技术的快速发展，人脸换脸已成为重要的研究领域。大多数人脸换脸方法的质量评估指标依赖于操作后图像与源图像或目标图像之间的距离，即需要合适的已知参考人脸图像。因此，在无参考场景下准确评估人脸换脸质量仍存在差距。本研究提出一种专为人脸换脸设计的新型无参考图像质量评估（NR-IQA）方法，通过构建大规模数据集、实现基于多个面部属性的图像质量排序方法，并融合基于可解释定性比较的Siamese网络。我们的模型在换脸人脸质量评估方面表现出领先水平，提供粗粒度和细粒度评估。凭借该指标，改进的人脸换脸模型在表情和姿态方面达到了更高的水平。广泛的实验确认了我们方法的优越性，超越了现有通用无参考图像质量评估指标和最新的面部图像质量评估指标，使其适用于实际场景中人脸换脸图像的评估。