SHAMISA：基于隐式结构关联的自监督无参考图像质量评估

无参考图像质量评估（NR-IQA）旨在在没有原始高质量参考图像的情况下估计感知质量。学习 NR-IQA 模型面临一个根本性瓶颈：需要大量昂贵的人类感知标签。我们提出 SHAMISA，一个非对比自监督框架，能够通过利用显式结构化关系监督从未标记的受损图像中学习。与以往采用刚性二元相似性约束的方法不同，SHAMISA 引入隐式结构关联，这是一种软、可控的关系，既考虑失真程度又考虑内容敏感性，基于合成元数据和内在特征结构推断得出。我们的关键创新是构件化失真引擎，它从连续参数空间生成不可数多种失真，按方式分组，使得每次仅变化一个失真因子。这使得在训练期间能够对表示相似性进行细粒度控制：具有相同失真模式的图像在嵌入空间中被拉近，严重程度差异则产生结构化、可预测的偏移。我们通过双来源关系图将这些见解整合进模型，这些图编码了已知的失真轮廓和新出现的结构亲和性，以指导整个训练过程。随后冻结卷积编码器进行推理，质量预测由其特征上的线性回归器完成。在合成、真实和跨数据集的 NR-IQA 测试集上进行的大量实验表明，SHAMISA 在整体性能上取得强劲成绩，同时实现了更好的跨数据集泛化和鲁棒性，所有这些都无需人类质量标注或对比损失。