Bridging the Synthetic-to-Authentic Gap: Distortion-Guided Unsupervised Domain Adaptation for Blind Image Quality Assessment

本文指出，盲图像质量评估（BIQA）的注释工作需要耗费大量时间和精力，尤其是对于真实图像。使用合成数据进行训练可能会有所益处，但是合成训练模型在真实领域中往往存在领域差距，导致泛化能力较差。本文提出了失真引导的无监督领域自适应方法（DGQA），通过失真的先验知识，利用自适应多领域选择来匹配源域和目标域之间的数据分布，从而减少异常源域的负面转移。在两个跨域设置（合成失真到真实失真和合成失真到算法失真）上进行的大量实验证明了DGQA的有效性。此外，DGQA与现有的基于模型的BIQA方法是正交的，可以与这些模型结合使用，以使用更少的训练数据提高性能。

本文旨在解决盲图像质量评估（BIQA）中标注耗时的问题，提出了一种基于失真引导的无监督域自适应框架（DGQA），以减少源域中的负面转移。

DGQA通过先前失真的先验知识，通过自适应多域选择来匹配源域和目标域之间的数据分布，从而减少来自异常源域的负面转移。

本文提出的DGQA框架在两种跨域设置中进行了广泛的实验，并证明了其有效性。此外，DGQA与现有的基于模型的BIQA方法相互独立，可以与这些模型结合使用以提高性能。

近年来，有关BIQA的相关研究主要包括基于模型的方法和基于数据的方法。其中，基于模型的方法包括卷积神经网络（CNN）和循环神经网络（RNN），而基于数据的方法则主要集中在无监督域自适应方面。