全参考图像质量评估（FR-IQA）Toward Generalized Image Quality Assessment: Relaxing the Perfect Reference Quality

论文作者：Du Chen,Tianhe Wu,Kede Ma,Lei Zhang

作者单位：The Hong Kong Polytechnic University ;City University of Hong Kong ;OPPO Research Institute

论文链接：http://arxiv.org/abs/2503.11221v1

项目链接：https://tianhewu.github.io/A-FINE-page.github.io/

内容简介：

1）方向：全参考图像质量评估（FR-IQA）

2）应用：图像质量评估

3）背景：传统的全参考图像质量评估（FR-IQA）通常假设参考图像质量完美，但这一假设因现代成像系统的传感器和光学限制而不完全成立。此外，近年来的生成增强方法能够生成比原始图像质量更高的图像，这对现有FR-IQA模型的有效性和适用性提出了挑战。

4）方法：为了解决这一问题，研究者构建了一个大规模图像质量评估数据库——DiffIQA，包含约18万张图像，这些图像由基于扩散的图像增强方法生成，并且具有可调节的超参数。每张图像根据与其参考图像的比较，被人工标注为“较差”、“相似”或“较好”。基于此，提出了一种通用的FR-IQA模型——自适应保真度-自然度评估器（A-FINE），该模型能够准确评估并自适应地结合测试图像的保真度和自然度。A-FINE能够在参考图像比测试图像更自然的情况下，与标准FR-IQA方法良好对齐。

5）结果：通过大量实验，A-FINE在经典的IQA数据集和新创建的DiffIQA数据集上表现优于传统的FR-IQA模型。为进一步验证A-FINE的优势，研究者还构建了一个超分辨率图像质量评估基准（SRIQA-Bench），包含来自十种最先进的超分辨率方法的测试图像，并且有可靠的人工质量标注。SRIQA-Bench上的测试进一步确认了A-FINE的优势。代码：https://tianhewu.github.io/A-FINE-page.github.io/