基于图表示学习的超高清图像质量评估
计算机视觉与模式识别
2026-05-22 v1
摘要
针对超高清 (UHD) 图像的盲目图像质量评估 (BIQA) 仍然具有挑战性，因为原生分辨率推断计算昂贵，而激进的调整或孤立裁剪可能抑制尺度敏感的失真并削弱局部特征与全局场景上下文之间的关系。本文旨在通过显式建模所采样图像区域之间的结构依赖关系（而非将其视为独立视图），来改进 UHD-BIQA，并提出一种名为 UHD-GCN-BIQA 的图表示学习框架。该框架从每个 UHD 图像中采样宽高比一致的补丁，将其编码为图节点，并使用空间接近性和特征相似性构建混合 k 近邻图。采用残差图卷积在区域之间传递上下文信息，采用门控注意力池化将补丁级别的证据聚合为图像级别的质量预测。采用指数移动平均归一化的多目标损失函数以稳定回归、相关和排序目标的联合优化。在 UHD-IQA 数据集上的实验表明，UHD-GCN-BIQA 实现了 PLCC = 0.7784、SRCC = 0.8019 和 RMSE = 0.0519，获得了具竞争力的相关性能和最低的 RMSE，表明图基区域关系建模对 UHD 图像质量评估有效，尤其是对于提高高分辨率视觉内容的绝对质量得分估计。
引用
@article{arxiv.2605.22192,
title = {Ultra-High-Definition Image Quality Assessment via Graph Representation Learning},
author = {Shaode Yu and Enqi Chen and Ming Huang and Xuemin Ren and Songnan Zhao and Zhicheng Zhang and Qiurui Sun},
journal= {arXiv preprint arXiv:2605.22192},
year = {2026}
}