论文笔记（4）：排序图像质量评价 RankIQA

芭蕉帘外雨声急 芭蕉帘外雨声急 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 7.9k累计阅读 8k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄12年
关注
原创 最新推荐文章于 2026-10-14 11:01:52 发布 7.9k 阅读 AI 写同款· GEO 优化 ›
无参考图像质量评估方法：BRISQUE、RankIQA、DIQA 常用的图像质量评估（IQA）分为无参考和有参考两种类型。常见的有参考图像质量评估方法有PSNR，SSIM以及VMAF。其中vmaf是针对视频来讲的，在它的评价方法里面添加了一些时域信息，如果应用于单张图片，需要做一些处理，如去除时域信息。有参考意味着图像质量是以参考图为基准。基于参考图像都是高清图像的假设，这些评价方法已经广泛应用于图像压缩以及图像传输、拼接之类的处理后图像的质量，假如这张参考图的质量本身就比较渣，那么该评价指标可信度就大大降低。 阅读详情

RankIQA: Learning from Rankings for No-reference Image Quality Assessment
github: https://github.com/xialeiliu/RankIQA

Part 1:

Definition： 无参考图像质量评价（NR-IQA）的目的是对于给定的一幅图像，不使用Ground Truth（GT）图像得到其评价分数。
Problem： 对于大样本集，通过人工标注得到图像主观分数需要花费很大的代价，因此训练一个深的CNN网络是非常困难的。
Observation & Motivation： 通过对图像进行不同程度的退化，能够得到不同质量的图像。
classic method ： 直接计算CNN输出分数和GT图像分数的误差。
Paper method：

  1. 使用不同等级的退化因子对GT图像进行退化得到大量的ranked images.
  2. 使用ranked images 训练双生网络，得到ranking score.
  3. 将在ranked images上训练好的网络在具有label的样本集上进行fine-tune.

Part 2 method:

  1. 使用pairwise ranking hinge loss训练双生网络：
    在这里插入图片描述

  2. 优化双生网络的训练过程
    例如，对GT图像A使用三个level的高斯噪声进行退化得到A1,A2和A3。原始的双生网络将（A1,A2）(A2,A3)和（A1,A3）三个pairwise images 送入网络进行训练。文章中采用了随机选取其中一个pairwise images送入网络进行训练，大大加快了网络的收敛速度。

Part 3 experiment:

  1. dataset： The LIVE consists of 808 images generated from 29 original images by distorting them with five types of distortion: Gaussian blur(GB), Gaussian noise (GN), JPEG compression (JPEG),
    JPEG2000 compression (JP2K) and fast fading (FF). The ground-truth Mean Opinion Score for each image is in the range [0, 100] and is estimated using annotations by 161 human annotators.The TID2013 dataset consists of 25 reference images with 3000 distorted images from 24 different distortion types at 5 degradation levels. Mean Opinion Scores are in the range [0, 9]. Distortion types include a range of noise, compression, and transmission artifacts.
  2. Network architectures: Shallow-4conv, AlexNet 和 VGG-16.
  3. Evaluation protocols： 线性相关系数 Linear Correlation Coefficient (LCC)和Spearman Rank Order Correlation Coefficient (SROCC)
    在这里插入图片描述
    在这里插入图片描述
  4. 实验结果
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  5. 分析
    hard negative mining strategy： 网络开始训练时使用36个pairs, 每5000个iteration增加hard pair的数量，最大到72个。
    Network performance analysis： We randomly split on the original, high-quality images before distortion from the LIVE dataset into 80% training and 20% testing samples and compute the average LCC and SROCC scores on the testing set after training to convergence. This process is repeated ten times and the results are averaged.

reference：
S. Chopra, R. Hadsell, and Y. LeCun. Learning a similarity
metric discriminatively, with application to face verification.
In Computer Vision and Pattern Recognition, 2005.
CVPR 2005. IEEE Computer Society Conference on, volume
1, pages 539–546. IEEE, 2005.

收录于
论文整理

当前文章被收录于：

论文整理
6 篇文章 1 人学习
订阅专栏 查看详情
标签
#IQA #deep learning #图像质量评价 #深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
图像质量评价三剑客：BRISQUE、RankIQA、NIMA原理与实战 图像质量评价是计算机视觉中衡量图像主观感知质量的核心技术，其中无参考评价方法因无需原始参考图而成为工程应用的主流。自然场景统计、排序学习与深度分布预测分别代表了传统特征、弱监督和端到端三个技术路线，衍生出BRISQUE、RankIQA、NIMA等经典算法。BRISQUE借助MSCN统计特征与SVR回归实现CPU级实时评分；RankIQA通过Siamese网络学习相对排序以突破标注瓶颈；NIMA利用EMD损失预测人类评分分布，更贴近美学感知。这些算法在视频质检、摄影评分、AIGC内容筛查等场景中价值显著。本文 阅读详情

相关推荐

基于RankIQA的无参考图像质量评价与人脸识别应用

在计算机视觉工程中，图像质量是影响人脸识别、安防监控等系统准确率的关键前置因素。无参考图像质量评价（NR-IQA）无需原始清晰图像即可对输入图像进行质量评分，为后续识别链路提供可靠的质量门槛。基于RankIQA的排序思想，通过合成失真数据训练网络学习图像质量的相对排序，再以回归损失微调输出绝对质量分数，能够有效应对标注主观性强、低质量样本稀缺等挑战。结合人脸检测场景，将网络输入从224降至128，并引入多任务学习同时预测人脸角度与质量分，进一步提升了在真实抓拍场景下的适配性。本文从原理到工程实践，解析了基于

weixin_29053067的博客 186

论文笔记 -- RankIQA: Learning from Rankings for No-Reference Image Quality

论文笔记 -- RankIQA: Learning from Rankings for No-Reference Image Quality I.介绍II.相关研究III. NR-IQA 中的排序学习（本论文的理论知识）3.1 overview3.2 用于排序的孪生网络3.3 高效的孪生反向传播3.4 fine-tune for NR-IQAIV.实验结果4.3 从排序学习中进行NR-IQA I...

qq_22565865的博客 3675

无参考图像质量评价实战：BRISQUE、RankIQA、NIMA算法原理与代码详解

图像质量评价（IQA）是计算机视觉与图像处理领域的核心基础技术之一，在ISP调优、图像增强、视频监控和数据清洗等工程场景中具有重要价值。当原始参考图像不可获取时，无参考图像质量评价（NR-IQA）成为唯一可行的方案，其通过分析图像自身统计特性或深度语义特征来预测主观感知质量。BRISQUE作为传统手工特征与SVR回归结合的经典基线，凭借极快的推理速度适合作为批量筛选的门槛；RankIQA利用排序学习解决标注数据稀缺问题，通过合成失真对训练Siamese网络学习相对质量关系；NIMA则基于深度卷积网络预测质量

weixin_29061425的博客 332

论文笔记：RankIQA

0.Abstract 本文提出了一种从排名中学习的无参考图像质量评估方法（RankIQA）。为了解决IQA数据集大小有限的问题，本文训练了一个孪生网络，通过使用合成的已知相对图像质量排名的数据集来训练网络并对图像进行排名。这些具有排名的数据集可以不用主观方法去标注，而是自动生成（失真代码）。然后本文把训练好的孪生网络中表示的知识（生成的网络权重，其特征表示的是失真）微调（fine-tuning）到传统的CNN，以此来对单个图像进行图像质量评估的绝对分数的估算。本文还提出了如何通过单个网络向前传播一批图像并.

张吱吱的Bolg 2293

图像质量评价三件套：BRISQUE、RankIQA、NIMA原理与落地实战

图像质量评价是计算机视觉与图像处理中的基础问题，在数据清洗、超分、图像增强等场景中至关重要。传统人工打分成本高且一致性差，无参考质量评价算法因此成为工程落地的关键。BRISQUE基于自然场景统计与SVR回归，无需参考图即可快速给出失真分数；RankIQA利用排序学习构造相对偏好，绕开绝对标注；NIMA则通过深度网络预测MOS分布，刻画美学与主观体验。三者分别适合批量初筛、效果对比和精品排序。本文从原理出发，结合实际代码演示了这些算法的选型、复现要点与集成Pipeline，帮助读者构建可解释的图像质量评分系统

weixin_29058331的博客 291

无参考图像质量评价算法实战：BRISQUE、RankIQA与NIMA的代码与避坑指南

图像质量评价是多媒体工程中的重要环节，实际场景中往往缺乏可对照的原始图像，因此无参考方法成为落地首选。这类技术从早期手工特征逐步演进到深度学习范式，形成了不同层级的实现路线。BRISQUE通过提取MSCN系数等统计特征，利用SVR回归实现零标注评估；RankIQA借助排序学习避免大规模标注，LiDAR等深层特征用于精细回归；NIMA则从评分分布建模，用EMD损失刻画主观评分的多样性。理解这些算法的原理与工程边界，有助于开发者根据数据条件与算力需求选择合适方案。本文从基础概念切入，对比三种主流算法的代码实现与

weixin_35750953的博客 326

无参考图像质量评估方法：BRISQUE、RankIQA、DIQA详解

常用的图像质量评估（IQA）分为无参考和有参考两种类型。常见的有参考图像质量评估方法有PSNR，SSIM以及VMAF。其中vmaf是针对视频来讲的，在它的评价方法里面添加了一些时域信息，如果应用于单张图片，需要做一些处理，如去除时域信息。有参考意味着图像质量是以参考图为基准。基于参考图像都是高清图像的假设，这些评价方法已经广泛应用于图像压缩以及图像传输、拼接之类的处理后图像的质量，假如这...

qq26983255的博客 3万+

基于PyTorch实现RankIQA图像质量评估模型：排序学习与回归微调

图像质量评估（IQA）是计算机视觉中的基础任务，传统方法依赖人工标注的MOS分数，存在成本高、主观性强等瓶颈。排序学习（Learning to Rank）通过比较图像对的相对优劣来学习质量表征，无需精确分数即可训练深度网络，为解决标注稀缺问题提供了全新思路。基于PyTorch深度学习框架，RankIQA采用孪生网络结构结合排序损失函数，以ResNet为特征提取器，先学习排序再回归分数，有效提升了评估准确性。该方法广泛适用于图像压缩、超分辨率重建、摄影质量分析等工程场景，也是课程设计与论文实验的高效落地路径。

weixin_34254848的博客 328

图像质量评价

图像质量评价iqa（Image Quality Assessment）通常视为一个回归或分类问题。 图像质量评价有多种细分方式 1）客观质量评价&主观美学评估 （Image Quality Assessment & Image AestheticQuality Assessment） 客观质量评价：评价图像的曝光、清晰度、有无噪声等 主观美学评估：评价图像的构图、颜色、内容主体等 2)全参考、半参考、无参考 全参考（Full-Reference，FR）：同时有原始(无失.

北落师门XY的博客 4844

基于排序学习的无参考图像质量评估：RankIQA原理与PyTorch实践

图像质量评估是计算机视觉中的一项基础任务，旨在量化图像视觉质量的优劣。其核心原理在于模拟人类视觉系统对图像失真的感知过程，通过构建数学模型来预测主观质量分数。这项技术的价值在于为图像处理流水线提供自动化的“质检”标准，广泛应用于图像增强、视频编码、医疗影像分析等领域。传统方法依赖原始参考图像，而实际场景中往往无法获得完美参考，因此无参考图像质量评估成为研究热点。本文聚焦于一种创新的弱监督学习范式——排序学习，它通过比较图像对的相对质量来规避绝对分数标注的难题。我们将结合深度学习框架，详解如何利用孪生网络结构

weixin_42531710的博客 312

图像质量评价经典算法代码（BRISQUE、RankIQA、NIMA等）

之前做图像质量评价的时候找的代码，现在分享给你们，语言很杂，包括matlab、C++、python都有

RankIQA：基于排名的无参考图像质量评估

RankIQA：基于排名的无参考图像质量评估 项目介绍 RankIQA 是一种基于排名的无参考图像质量评估（NR-IQA）方法，通过学习图像间的质量排名关系，实现对单个图像质量的无参考评估。该方法由刘西亚利（Xialei Liu）、乔斯特·范德韦伊（Joost van de Weijer）和安德鲁·D·巴格达诺夫（Andrew D. Bagdanov）提出，并在 ICCV 2017 和 IEEE ...

gitblog_00391的博客 975

RankIQA_models.zip.007

RankIQA_models.zip.007

17 ICCV Rank IQA.pdf

根据本文题目中Image Quality Assessment可知，本文的研究方向是图像质量评价，也就是给定一张图片，输出它的质量分数（或其他的评价标准，例如好坏等等）

2.Liu_RankIQA_Learning_From_ICCV_2017_paper.pdf

We propose a no-reference image quality assessment (NR-IQA) approach that learns from rankings (RankIQA). To address the problem of limited IQA dataset size, we train a Siamese Network to rank images in terms of image quality by using synthetically generated distortions for which relative image quality is known. These ranked image sets can be automatically generated without laborious human labeling. We then use fine-tuning to transfer the knowledge represented in the trained Siamese Network to a traditional CNN that estimates absolute image quality from single images. We demonstrate how our approach can be made significantly more efficient than traditional Siamese Networks by forward propagating a batch of images through a single network and backpropagating gradients derived from all pairs of images in the batch. Experiments on the TID2013 benchmark show that we improve the state-of-the-art by over 5%. Furthermore, on the LIVE benchmark we show that our approach is superior to existing NR-IQA techniques and that we even outperform the state-of-the-art in full-reference IQA (FR-IQA) methods without having to resort to high-quality reference images to infer IQA.

RAN4IQA: Restorative Adversarial Nets for No-Reference Image Quality Assessment

无参考图像质量评价，深度学习，生成对抗网络，adversarial net (RAN), a GAN-based model for no-reference image quality assessment (NR-IQA).

探索图像质量的智能评估：基于PyTorch的RankIQA

探索图像质量的智能评估：基于PyTorch的RankIQA 在数字时代，图像质量和美观度的评估已变得至关重要，尤其是在自动化内容筛选、视觉搜索优化以及摄影爱好者社区等领域。今天，我们向您推荐一个令人眼前一亮的开源项目——基于PyTorch实现的RankIQA。它不仅能够进行图像质量的精准比较与排序，还能完成从单一质量分数预测到复杂评分分布模拟的全谱任务，无疑是图像质量评估领域的一大利器。 项目介绍...

gitblog_00009的博客 564

RankIQA_models.zip.0010

RankIQA_models.zip.0010
上一篇： LeetCode 初级、数组
下一篇： 论文笔记（4）：基于learning to rank的盲图像质量评价 dipIQ
点赞 0
评论 3
书签 书签 11
芭蕉帘外雨声急
芭蕉帘外雨声急
博客等级 码龄12年 77粉丝 38原创
+ 关注 专栏目录 订阅专栏
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值