RL-ScanIQA：基于强化学习的盲测 360° 图像质量评估
计算机视觉与模式识别
2026-03-17 v1
摘要
盲测 360° 图像质量评估（IQA）旨在无需参考图像的情况下预测全景图像的感知质量。与常规平面图像不同，沉浸式环境中的 360° 内容使观众在任何时刻都只能看到受限的视野，这使得观看行为对质量感知至关重要。虽然已有基于扫描轨迹的方法尝试通过近似模拟人类“观看后评估”范式来建模观看行为，但这些方法将扫描轨迹生成和质量评估视为独立步骤，无法实现端到端优化和任务对齐的探索。为克服这一局限，本文提出了 RL-ScanIQA，一个基于强化学习的盲测 360° IQA 框架。RL-ScanIQA 优化一个经过 PPO 训练的扫描轨迹策略和一个质量评估器，策略接收质量驱动的反馈，以学习与任务相关的观看策略。为提高训练稳定性并防止模式坍缩，我们设计了多级奖励，包括扫描轨迹多样性和赤道偏好先验。我们进一步通过扰动空间数据增强和保持帧内和帧间质量排序的排名一致损失来提升跨数据集的鲁棒性。大量实验表明，RL-ScanIQA 在三大基准数据集上实现了优异的现成性能和跨数据集泛化。代码已公开于 https://github.com/wangyuji1/RLScanIQA.git。
关键词
引用
@article{arxiv.2603.14297,
title = {RL-ScanIQA: Reinforcement-Learned Scanpaths for Blind 360{\deg}Image Quality Assessment},
author = {Yujia Wang and Yuyan Li and Jiuming Liu and Fang-Lue Zhang and Xinhu Zheng and Neil. A Dodgson},
journal= {arXiv preprint arXiv:2603.14297},
year = {2026}
}
备注
Accepted by CVPR 2026