S-IQA Image Quality Assessment With Compressive Sampling

无参考图像质量评估（IQA）旨在根据人类主观感知来估计图像质量。然而，大多数现有的无参考IQA方法都专注于探索越来越复杂的网络或组件，以改善最终性能。这种做法对IQA方法施加了很大的限制和复杂性，特别是当它们应用于现实世界中的高分辨率（HR）图像时。实际上，大多数图像都具有高空间冗余性，特别是对于那些HR数据来说更是如此。为了进一步利用这一特点并缓解上述问题，我们提出了一种新的基于压缩采样的图像质量评估框架（称为S-IQA），它由三个组件组成：（1）灵活采样模块（FSM）对图像进行采样，以获得任意比例的测量值。 （2）带有自适应嵌入模块（AEM）的视觉变换器制作具有统一大小的测量值并提取深度特征。 （3）双分支（DB）为每个补丁分配权重并预测最终质量得分。实验表明，我们提出的S-IQA在各种数据集上使用更少的数据，实现了最先进的结果。

本论文旨在解决无参考图像质量评估（NR-IQA）在高分辨率图像上的限制和复杂性问题，提出了一种基于压缩采样的图像质量评估框架。

该框架包括三个组件：灵活的采样模块（FSM）、具有自适应嵌入模块（AEM）的Vision Transformer和双分支（DB）模块。其中FSM实现任意采样比率，AEM实现统一大小的测量和深度特征提取，DB模块为每个补丁分配权重并预测最终质量分数。

实验结果表明，该方法在多个数据集上实现了最先进的结果，并且使用了更少的数据量。该论文的亮点包括使用压缩采样的框架、自适应嵌入模块和双分支模块的组合，以及在多个数据集上实现了最先进的结果。

最近的相关研究包括基于深度学习的图像质量评估方法，如BRISQUE、NIQE和Ma等。