CrossScore: Towards Multi-View Image Evaluation and Scoring

我们介绍了一种新颖的交叉参考图像质量评估方法，有效填补了图像评估领域的空白，补充了各种已建立的评估方案，包括全参考度量（如SSIM），无参考度量（如NIQE），以及一般参考度量（包括FID）和多模态参考度量（例如CLIPScore）。利用具有交叉注意机制和独特数据收集管道的神经网络，我们的方法能够在不需要基准参考的情况下实现准确的图像质量评估。通过将查询图像与同一场景的多个视图进行比较，我们的方法解决了现有度量在新视角合成（NVS）和类似任务中直接参考图像不可用的限制。实验结果表明，我们的方法与全参考度量SSIM密切相关，同时不需要基准参考。

本文旨在提出一种有效的交叉参考图像质量评估方法，以填补现有图像评估方案的不足，为无参考图像质量评估提供一种新思路。

本文提出了一种基于交叉注意力机制和独特数据收集管道的神经网络，能够在没有参考图像的情况下进行准确的图像质量评估。通过将查询图像与同一场景的多个视图进行比较，本方法解决了现有指标在新视角合成（NVS）等任务中的局限性。

本文的亮点包括使用交叉注意力机制和独特数据收集管道进行图像质量评估，实验结果表明该方法与全参考指标SSIM密切相关，同时不需要参考图像作为基准。本文使用的数据集和代码也有一定的参考价值。

当前在这个领域中，还有一些相关的研究，如全参考度量（SSIM）、无参考度量（NIQE）和多模态参考度量（CLIPScore）等。