GSBIQA: Green Saliency-guided Blind Image Quality Assessment Method

盲图像质量评估（BIQA）是一项重要的任务，它可以在没有参考的情况下估计图像的感知质量。虽然许多BIQA方法采用深度神经网络（DNNs）并结合显著性检测器来提高性能，但它们的大模型大小限制了在资源受限设备上的部署。为了解决这个挑战，我们引入了一种新颖的非深度学习BIQA方法，它具有轻量级显著性检测模块，称为Green Saliency-guided Blind Image Quality Assessment（GSBIQA）。它的特点是模型尺寸最小，计算要求降低，性能稳健。实验结果表明，GSBIQA的性能与基于DL的最先进方法相当，但资源要求显著降低。

解决问题的是Blind Image Quality Assessment (BIQA)，即如何在没有参考图像的情况下评估图像的质量。当前的深度学习方法虽然表现出色，但是模型过大，难以在资源受限的设备上部署。

该论文提出了一种基于轻量级显著性检测模块的非深度学习BIQA方法，名为Green Saliency-guided Blind Image Quality Assessment (GSBIQA)。该方法具有模型尺寸小、计算要求低、性能稳健等特点。

论文使用了多个公开数据集进行实验，并与当前最先进的DL方法进行了比较。结果表明，GSBIQA的性能与DL方法可媲美，但资源要求更低。此外，论文还提供了开源代码。

最近的相关研究包括： 1. Blind Image Quality Assessment using a Deep Bilinear Convolutional Neural Network (TIP 2020) 2. Deep Blind Image Quality Assessment Using Captions (ICCV 2017) 3. No-reference image quality assessment using visual codebooks (TIP 2012)