Cross-IQA: Unsupervised Learning for Image Quality Assessment

自动感知图像质量是一个具有挑战性的问题，每天影响着数十亿的互联网和社交媒体用户。为了推动这个领域的研究，我们提出了一种基于视觉变换器（ViT）模型的无参考图像质量评估（NR-IQA）方法，称为Cross-IQA。所提出的Cross-IQA方法可以从未标记的图像数据中学习图像质量特征。我们构建了合成图像重建的前置任务，以无监督的方式基于ViT块提取图像质量信息。Cross-IQA的预训练编码器用于微调线性回归模型进行分数预测。实验结果表明，与经典的全参考IQA和相同数据集下的NR-IQA相比，Cross-IQA在评估图像的低频降解信息（如颜色变化、模糊等）方面可以达到最先进的性能。

本论文旨在提出一种基于视觉变换模型（ViT）的无参考图像质量评估（NR-IQA）方法，解决自动感知图像质量的问题。

本文提出的Cross-IQA方法可以从未标记的图像数据中学习图像质量特征，并使用预训练的编码器对得分进行线性回归模型微调，从而实现对低频降级信息的评估。

实验结果表明，Cross-IQA在评估图像的低频降级信息方面，与经典的全参考IQA和NR-IQA相比，具有最先进的性能。本文使用的数据集和代码均已公开，可以进一步探索和研究。

在这个领域中，最近的相关研究包括：Learning to Predict Perceptual Image Quality via a Convolutional Neural Network、Deep Blind Image Quality Assessment Using Semi-Supervised Rectifier Networks、No-Reference Image Quality Assessment in the Spatial Domain等。