基于深度学习的无参考图像质量评估算法研究.pdf

摘要

无参考图像质量评估（NoReferenceImageQualityAssessment，NR-IQA）专注于

研发自动感知和量化图像质量的算法，其目标在于解决图像在传输与存储过程中因

压缩、噪声等因素可能导致的图像质量下降问题。此外，在图像处理领域，诸如图像

融合和生成等研究也需要对图像质量进行评估，以衡量其是否符合人眼的视觉感受。

NR-IQA算法通过模拟人类视觉系统的工作原理，利用算法来自动评估图像质量，避

免了人工标注的繁琐过程，为图像处理、传输和存储等领域提供了重要的支持和应

用。因此，开发出精准且高效的图像质量评价方法具有重要的研究价值。

卷积神经网络（CNN）和Transformer方法在捕捉图像特征时存在不同的倾向，

CNN更注重局部特征，而Transformer更注重全局特征。然而，在图像质量评估任

务中，仅仅关注局部或全局特征是不够的，因为图像失真可能在整个图像或局部区域

中出现，并且可能涉及目标或非目标区域。现有的注意力机制通常是设计面向目标区

域的，这导致对整个失真区域的关注程度不完全充分。因此，需全面考虑整个区域的

失真特征，而不仅仅是局部或目标区域的特征，即设计一种能够获取全范围注意力的

方法，以更全面地评估图像质量。本文根据这个问题提出了以下两个不同角度的研究

与分析：

（1）从获取非目标失真特征和目标失真特征的角度出发，本文提出了全范围注

意力引导的无参考图像质量评估算法（AFull-scopeattentionguidedImageQuality

Assessmentalgorithm，简称为Fscope-IQA）。在该算法中创新性地设计了一种全范围

的注意力机制，通过充分利用深层和浅层特征之间的信息差异，有意地削弱了目标区

域的特征，并提取了非目标区域的特征。借助大核卷积LKA和自注意力机制，不断

地强调和获取未被全局特征关注的非目标部分的细微细节和信息，同时通过自注意

力机制提取深层细节的目标特征。进一步，通过交叉注意力将目标注意力和非目标注

意力特征耦合在一起，以弥补单一特征视角的缺陷，从而从不同区域获得全范围的注

意力特征，用以指导图像质量评估。Fscope-IQA算法在无参考图像质量评估模型的

性能和准确度方面得到了提高。

（2）从质量感知的角度来获取全范围失真信息，本文提出基于质量感知和内容

提取的无参考图像质量评估算法（QualityperceptionandContentextractionforno-

referenceImageQualityAssessmentalgorithm,简称为QC-IQA），该方法设计了一个双

I

分支结构的图像质量评估算法，利用对比学习预训练的模型提取图像的全范围质量

感知特征，从而使模型具备质量感知的能力。利用VIT提取图像的全局内容感知特

征，并进一步提取局部细节特征，使得获取全局内容感知特征的同时也包含了局部细

节特征，形成了两个分支不同的特征感受器。通过两个分支之间堆叠式的交互，将质

量感知特征和内容感知特征信息耦合在一起，从而获取全范围的图像失真特征。这种

对比学习的方法给无参考图像质量评估提供了一条新的研究思路，并且实验证明了

它在评估图像失真上具有一定的效果。

本文的工作详细地分析了全局性对图像质量评价的重要性，从全范围注意力和

全局质量感知两个角度入手，为无参考客观图像质量评价的研究提供了新视角和新

思路。

关键词：全范围注意力；非目标；对比学习；质量感知；无参考图像质量评估

II

ABSTRACT

NoReferenceImageQualityAssessment(NR-IQA)focusesonthedevelopmentof

algorithmsforautomaticallysensingandquantifyingimagequality.Duringimage

transmissionandstorage,imagequalitydegradationmay