面向 Syn-to-Real IQA 的新视角：重塑合成数据分布
计算机视觉与模式识别
2026-01-05 v1
摘要
盲测图像质量评估（BIQA）通过深度学习取得了显著进展，但大规模标注数据集的稀缺仍是一个挑战。虽然合成数据提供了可行的解决方案，但在现有合成数据集上训练的模型往往表现有限。本工作作出一个关键观察：从合成数据集学习到的表征往往呈现离散且聚类化的模式，这会阻碍回归性能：高质量图像的特征围绕参考图像聚集，而低质量图像的特征则基于失真类型聚集。我们的分析表明，这一问题源于合成数据的分布，而非模型架构。因此，我们引入了一个新框架 SynDR-IQA，通过重塑合成数据分布来增强 BIQA 的泛化能力。基于样本多样性和冗余度对泛化误差影响的理论推导，SynDR-IQA 采用两种策略：分布感知的多样内容上采样，旨在增强视觉多样性而保持内容分布；密度感知的冗余聚类下采样，旨在通过减少密集聚类区域的样本密度来平衡样本。广泛的实验在三个跨数据集设置（合成到真实、合成到算法、合成到合成）下证明了本方法的有效性。代码已公开于 https://github.com/Li-aobo/SynDR-IQA。
引用
@article{arxiv.2601.00225,
title = {Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions},
author = {Aobo Li and Jinjian Wu and Yongxu Liu and Leida Li and Weisheng Dong},
journal= {arXiv preprint arXiv:2601.00225},
year = {2026}
}
备注
Accepted by NIPS 2025