PKU-AIGIQA-4K: A Perceptual Quality Assessment Database for Both Text-to-Image and Image-to-Image AI-Generated Images

近年来，图像生成技术迅速发展，导致产生了大量的人工智能生成图像（AIGIs）。然而，这些AIGI的质量高度不一致，低质量的AIGI严重影响用户的视觉体验。由于AIGI的广泛应用，旨在从人类感知的角度评估AIGI质量的人工智能生成图像质量评估（AIGIQA）在学者中引起了越来越多的关注。然而，目前的研究尚未充分探索这一领域。我们观察到现有的数据库仅限于从单一场景设置生成的图像。例如，AGIQA-1K、AGIQA-3K和AIGCIQA2023等数据库仅包括由文本到图像生成模型生成的图像。这个疏漏凸显了当前研究领域中的重要差距，强调了需要专门针对图像到图像场景的数据库，以及涵盖更广泛的人工智能生成图像场景的更全面的数据库。针对这些问题，我们建立了一个大规模的感知质量评估数据库，用于文本到图像和图像到图像AIGI，名为PKU-AIGIQA-4K。然后，我们进行了一个组织良好的主观实验，收集了AIGI的质量标签，并对PKU-AIGIQA-4K数据库进行了全面的分析。关于在训练过程中使用图像提示，我们提出了三种基于预训练模型的图像质量评估（IQA）方法，包括无参考方法NR-AIGCIQA、全参考方法FR-AIGCIQA和部分参考方法PR-AIGCIQA。最后，利用PKU-AIGIQA-4K数据库，我们进行了广泛的基准实验，并比较了所提出的方法和当前的IQA方法的性能。

AI生成图像的质量评估问题。

建立了一个大规模的感知质量评估数据库PKU-AIGIQA-4K，提出了三种基于预训练模型的图像质量评估方法。

论文提出的PKU-AIGIQA-4K数据库包含了文本到图像和图像到图像的各种情景下的AI生成图像，实验结果表明提出的三种方法在评估AIGIs的质量方面具有优越性。

相关工作包括AGIQA-1K，AGIQA-3K，AIGCIQA2023等数据库，以及其他基于预训练模型的图像质量评估方法的研究。