迈向广义图像质量评估：放宽完美参考质量假设
计算机视觉与模式识别
2025-03-20 v2
摘要
全参考图像质量评估(FR-IQA)通常假设参考图像具有完美质量。然而，由于现代成像系统的传感器与光学局限性，这一假设存在缺陷。此外，最近的生成式增强方法能够生成比原图质量更高的图像。这些都对现有 FR-IQA 模型的有效性与适用性提出了挑战。为了放宽完美参考图像质量的假设，我们构建了一个大规模 IQA 数据库，即 DiffIQA，包含由基于扩散的图像增强器通过可调超参数生成的约 180,000 张图像。每张图像由人类受试者标注其质量相较于参考图像为更差、相似或更好。在此基础上，我们提出了一种广义 FR-IQA 模型，即自适应保真度-自然度评估器(A-FINE)，以准确评估并自适应地组合测试图像的保真度与自然度。当参考图像比测试图像自然得多时，A-FINE 与标准 FR-IQA 高度一致。我们通过大量实验证明，A-FINE 在公认的 IQA 数据集和我们新创建的 DiffIQA 上均超越了标准 FR-IQA 模型。为了进一步验证 A-FINE，我们额外构建了一个超分辨率 IQA 基准测试(SRIQA-Bench)，包含源自十种 SOTA SR 方法的测试图像及可靠的人类质量标注。在 SRIQA-Bench 上的测试再次证实了 A-FINE 的优势。代码与数据集可在 https://tianhewu.github.io/A-FINE-page.github.io/ 获取。
引用
@article{arxiv.2503.11221,
title = {Toward Generalized Image Quality Assessment: Relaxing the Perfect Reference Quality Assumption},
author = {Du Chen and Tianhe Wu and Kede Ma and Lei Zhang},
journal= {arXiv preprint arXiv:2503.11221},
year = {2025}
}
备注
Accepted by CVPR 2025