AIGCOIQA2024: Perceptual Quality Assessment of AI Generated Omnidirectional Images

最近几年，人工智能生成内容（AIGC）的快速发展引起了广泛关注。在AIGC中，人工智能生成的全向图像对虚拟现实（VR）和增强现实（AR）应用具有重要潜力，因此全向AIGC技术也得到了广泛研究。与自然全向图像相比，人工智能生成的全向图像具有独特的畸变，然而目前还没有专门的图像质量评估（IQA）标准来评估它们。本研究通过建立一个大规模的人工智能生成全向图像IQA数据库AIGCOIQA2024并构建一个全面的基准来填补这一空白。我们首先基于5个AIGC模型和25个文本提示生成了300张全向图像。随后进行了主观IQA实验，从质量、舒适度和对应性三个方面评估了人类视觉偏好。最后，我们进行了基准实验，评估了最先进的IQA模型在我们的数据库上的性能。该数据库将被发布以促进未来的研究。

本论文旨在解决人工智能生成的全向图像（AIGC）质量评估的问题，建立了一个大规模的AIGC图像质量评估数据库。

通过使用五种AIGC模型和25个文本提示生成300个全向图像，进行主观评估实验，从质量、舒适度和对应性三个方面评估人类视觉的偏好，并构建了一个全面的基准测试来评估最先进的图像质量评估模型在AIGCOIQA2024数据库上的性能。

本论文建立了一个大规模的AIGC图像质量评估数据库，提供了一个全面的基准测试，以评估最先进的图像质量评估模型在AIGCOIQA2024数据库上的性能。此外，本论文还提供了有关AIGC的独特失真的信息，并为未来的研究提供了有价值的数据集。

最近的相关研究包括：《Deep Learning for Image Quality Assessment: A Survey》、《A Comprehensive Survey of Deep Learning for Image Quality Assessment》等。