摘要

无参考图像质量评估（NR-IQA）旨在开发无需高质量参考图像即可与人类感知相一致的图像质量测量方法。在本研究中，我们提出了一种名为 ARNIQA（用于图像质量评估的自监督学习畸变流形方法（leArning distoRtion maNifold for Image Quality Assessment））的方法，以建模图像畸变流形并以内在的方式获得质量表示。首先，我们引入了一个图像退化模型，该模型随机组合连续应用的畸变序列。通过这种方式，我们可以合成具有多种退化模式的图像。其次，我们提出通过最大化不同图像中同等程度畸变的补丁表示之间的相似度来训练我们的模型，尽管这些图像的内容可能不同。因此，以相同方式退化的图像是在畸变流形中相邻的位置上对应的。最后，我们使用一个简单的线性回归器将图像表示映射到质量评分，而无需微调编码器权重。实验结果表明，我们的方法在多个数据集上达到了最先进的性能。此外，ARNIQA 在数据效率、泛化能力和鲁棒性方面相比竞争方法表现出显著优势。代码和模型已在 https://github.com/miccunifi/ARNIQA 公开发布。