基于深度学习的图像质量评价方法研究综述.docVIP

基于深度学习的图像质量评价方法研究综述

一、图像质量评价的核心背景与研究意义

图像作为人类感知世界最直观的信息载体，在智能安防、自动驾驶、医疗影像诊断、消费电子等领域承担着核心信息传递功能。图像采集、压缩、传输、处理的全链路中，任意环节的噪声引入、信息损失都会导致质量下降，进而影响下游任务的决策可靠性。传统图像质量评价方法依赖人类主观评分构建特征映射，在复杂失真场景下泛化能力不足，而基于深度学习的评价方法通过端到端特征学习，实现了与人眼视觉感知一致性的显著提升，成为近十年计算机视觉领域的研究热点。

目前主流的图像质量评价范式可分为全参考、半参考和无参考三类。全参考方法依赖原始无损图像作为基准，通过对比失真图像与参考图像的特征差异计算质量得分，适用于图像压缩算法性能评估等基准已知的场景；半参考方法仅需提取原始图像的部分特征作为参考信息，在传输带宽受限的场景下具备更高实用性；无参考方法不需要任何参考图像，直接对输入失真图像进行质量预测，是当前工业界应用最广泛的技术方向，也是深度学习方法突破最集中的研究领域。

二、深度学习驱动的图像质量评价技术演进路径

2.1早期基于卷积神经网络的基础架构探索

2014年深度学习方法首次被引入图像质量评价领域，研究者采用浅层卷积神经网络提取图像局部块特征，通过回归层预测质量得分，在LIVE标准数据集上的预测精度首次超过了传统基于人工特征的SVM方法。这