CN115375663B 基于深度互学习和双尺度特征融合的图像质量评价方法 （广东工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115375663B(45)授权公告日2025.07.11

(21)申请号202211038963.1

(22)申请日2022.08.29

(65)同一申请的已公布的文献号申请公布号CN115375663A

(43)申请公布日2022.11.22

(73)专利权人广东工业大学

地址510060广东省广州市东风东路729号

(72)发明人罗玉谢家明凌捷

(74)专利代理机构北京清控智云知识产权代理事务所(特殊普通合伙)

11919

专利代理师管士涛

(51)Int.CI.

GO6T7/00(2017.01)

GO6V10/40(2022.01)

GO6V10/80(2022.01)

(56)对比文件

CN114581347A,2022.06.03

CN114638870A,2022.06.17审查员刘志军

权利要求书4页说明书9页附图2页

(54)发明名称

确定待进行无参考图像质量评估的目标失真图像52对目标失真图像进行水平翻转，得到相应的目标镜像图像

确定待进行无参考图像质量评估的目标失真图像

52

对目标失真图像进行水平翻转，得到相应的目标镜像图像

构建初始质量评价模型，初始质量评价模型包括用于从图像中提取局部

特征的第一、二Resnet50网络、以及用于从图像中提取出非局部特征的

第一、二VisionTransformer网络

将目标失真图像输入到第一Resnet50网络以及第一VisionTransformer

网络中，将目标镜像图像输入到第二Resnet50网络以及第二Vision

Transformer网络中进行模型训练，训练过程中，通过深度互学习的方

式对图像间的局部特征、以及非局部特征进行一致性约束，以提高评估

精准度，以及通过融合图像的局部、非局部特征，确定模型输出结果

在结束模型训练时，得到目标质量评价模型，将待评估图像输入到所述目标质量评价模型中，得到待评估图像的预测质量评价分数

55

CN115375663B(57)摘要本申请实施例提供的一种基于深度互学习和双尺度特征融合的无参考图像质量评价方法，该方法包括确定待进行无参考图像质量评估的目标失真图像；对目标失真图像进行水平翻转，得到目标镜像图像；构建初始质量评价模型，初始质量评价模型包括用于从图像中提取局部特征的第一、二Resnet50网络、用于从图像中提取出非局部特征的第一、二VisionTransformer网络；将目标失真图像输入到第一Resnet50网络以及第一VisionTransformer网络中，将目标镜像图像输入到第二Resnet50网络以及第二VisionTransformer网络中进行模型训练，训练过程中，通过深度互学习的方式对图像间的局部特征、以及非局部特征进行一致性约束，以及通过融合图

CN115375663B

(57)摘要

CN115375663B权利要求书1/4页

2

1.一种基于深度互学习和双尺度特征融合的无参考图像质量评价方法，其特征在于，包括以下步骤：

确定待进行无参考图像质量评估的目标失真图像；

对所述目标失真图像进行水平翻转，得到相应的目标镜像图像；

构建初始质量评价模型，所述初始质量评价模型包括用于从图像中提取局部特征的第一、二Resnet50网络、以及用于从图像中提取出非局部特征的第一、二VisionTransformer网络；

将所述目标失真图像输入到第一Resnet50网络以及第一VisionTransformer网络中，

将所述目标镜像图像输入到第二Resnet50网络以及第二VisionTransformer网络中进行模型训练，训练过程中，通过深度互学习的方式对图像间的局部特征、以及非局部特征进行一致性约束，以提高评估精准度，以及通过融合图像的局部、非局部特征，确定模型输出结果；

在结束模型训练时，得到目标质量评价模型，将待评估图像输入到所述目标质量评价模型中，得到待评估图像的预测质量评价分数；

训练过程中，所述方法还包括：

基于预先构建的一致性损失函数、以及均方误差损失函数进行模型约束，其中，所述一致性损失函数、以及均方误差损失函数通过下述公式进行表示：

L?=Lmse(s,g)+Lcon(FLocal,F2ocai)+Lcon(FNo