图像质量评估（IQA）对于众多图像处理应用至关重要。 通常，图像质量度量（IQM）将图像质量视为在某些感知空间中与参考图像的保真度或相似度。 这种全参考IQA方法是一种比较，涉及以感知上有意义的方式测量两个信号之间的相似性或差异。 人类视觉系统（HVS）的建模已被视为实现感知质量预测的最合适方法。 实际上，自然图像统计可以是模拟HVS的有效方法，因为自然图像的统计模型揭示了HVS的一些重要响应特性。 稀疏编码是自然图像的有用统计模型，等效于独立分量分析（ICA）。 它对初级视觉皮层中简单细胞的感受野提供了很好的描述。 因此，在设计IQM时，可以使用这种统计模型来模拟视觉皮层级别的视觉处理。 在本文中，我们提出了一种IQA保真度准则，该准则将图像质量与参考图像和失真图像之间的相关性以稀疏代码形式相关联。 提出的可视信号保真度度量（称为稀疏相关系数（SCC））是出于需要从简单细胞接受域的稀疏模型中捕获两组输出之间的相关性的动机。 SCC表示皮质视觉空间中图像的两个视觉信号之间的相关性。 多项式和逻辑回归后的实验结果表明，在单失真和交叉失真测试中，SCC均优于最新的IQM。

补丁VQ Patch-VQ：“修补”视频质量问题 演示版 请按照 测试在LSVQ数据库上预训练的Patch VQ模型。 请按照在您的数据库上测试我们的Patch VQ模型。 下载LSVQ数据库 描述 对于社交和流媒体应用程序，无参考（NR）感知视频质量评估（VQA）是一个复杂，尚未解决的重要问题。 需要有效，准确的视频质量预测器来监视和指导数十亿个用户共享内容（通常是不完美的内容）的处理。 不幸的是，当前的NR模型在真实的，“野生的” UGC视频数据上的预测能力受到限制。 为了推进这一问题的发展，我们创建了迄今为止最大的主观视频质量数据集，其中包含39，000个真实世界的失真视频和117，000个时空本地化的视频补丁（“ v-patches”），以及5.5M人类的感知质量注释。 使用此工具，我们创建了两个独特的NR-VQA模型：（a）基于本地到全球区域的NR VQA体系结构（称为PVQ）

Abstract The style-based GAN architecture (StyleGAN) yields state-of-the-art results in data-driven unconditional generative image modeling. We expose and analyze several of its characteristic artifacts, and propose changes in both model architecture and training methods to address them. In particular, we redesign generator normalization, revisit progressive growing, and regularize the generator to encourage good conditioning in the mapping from latent vectors to images. In addition to improving image quality, this path length regularizer yields the additional benefit that the generator becomes significantly easier to invert. This makes it possible to reliably detect if an image is generated by a particular network. We furthermore visualize how well the generator utilizes its output resolution, and identify a capacity problem, motivating us to train larger models for additional quality improvements. Overall, our improved model rede- fines the state of the art in unconditional image modeling, both in terms of existing distribution quality metrics as well as perceived image quality.

该论文介绍特征相似度用来评价图像质量，比较经典的算法，是各类先进算法的参考对象，值得学习。

目前人为扭曲的图像质量评价(IQA)数据库规模较小，内容有限。较大的 IQA 数据库内容多样化，有利于 IQA 深度学习的发展。我们创建了两个数据集，康斯坦茨人为扭曲图像质量数据库(kADID-10k)和康斯坦茨人为扭曲图像质量集(kADis-700k)。前者包含81个原始图像，每个图像在5个水平上被25个失真降级。后者有140,000个原始图像，每个有5个降级版本，其中失真是随机选择的。我们在 KADID-10k 上进行了一个主观的 IQA 众包研究，得到了每幅图像30个退化类别评分(DCR)。我们认为，注释集 KADID-10k 和未标记集 KADIS-700k 可以通过弱监督学习充分挖掘基于深度学习的 IQA 方法的潜力

IEEE Standard for Camera Phone Image Quality

我们提出了一种基于结构相似性和视觉掩蔽的改进的客观图像质量评估方法，称为感知图像质量评估（PIQA）。 PIQA包含三个相似性度量：亮度比较度量，结构比较度量，与结构相似性（SSIM）相同的对比度比较度量及其变体。 首先，为了提高在模糊图像和嘈杂图像中区分结构信息的能力，我们使用改进的结构张量来修改结构比较度量，该结构张量在描述全局区域中的结构信息时更加有效。 其次，基于人类视觉系统（HVS）感知过程的感知特征，将对比度掩蔽和邻域掩蔽集成到对比度比较度量中。 最后，将三个度量汇总在一起以计算PIQA度量。 与多尺度SSIM（MS-SSIM），视觉信噪比（VSNR）和视觉信息保真度（VIF）标准等最新方法进行比较，仿真结果表明，我们的方法与HVS高度一致感知过程，并提供更好的性能。

画面质量 描述 图像质量是用于自动图像质量评估（IQA）的开源软件库。 依存关系 Python 3.8 （开发中）Docker 安装 该软件包是公共的，并托管在PyPi存储库中。 要将其安装在您的机器中 pip install image-quality 例子 安装image-quality包之后，您可以在python终端中运行以下命令来测试它是否已成功安装。 >>> import imquality.brisque as brisque >>> import PIL.Image >>> path = 'path/to/image' >>> img = PIL.Image.open(path) >>> brisque.score(img) 4.9541572815704455 发展 如果添加新的tensorflow数据集或修改zip文件的位置，则必须更新url校验和。 您可以在以下找到

During the past two decades, the field of medical imaging has achieved dramatic improvements in imaging system capability with accompanying increases in system complexity. Much of this progress has been fueled by advances in computing technology and the widespread adoption of digital techniques for data acquisition, processing and display. Although every branch of medical imaging has been significantly affected, the most striking examples ofthis revolution are x-ray computed tomography and magnetic resonance imaging. Fortunately, a consensus on quantitative measurement methodology for assessing diagnostic imaging technologies has been gradually emerging. It has grown out of the recognition of common features among imaging modalities that allows their limitations to be understood within the framework of statistical decision analysis.

GIQA：生成的图像质量评估 这是ECCV2020“ GIQA：生成的图像质量评估”的正式pytorch实现（ ）。 该存储库的主要贡献者包括Microsoft Research Asia的Gu Shuyang，Bao Jianmin Bao，Dong Chen和Fang Wen。 相关论文采用GMM-GIQA来改善GAN的性能：PriorGAN（ ）。 介绍 GIQA旨在解决单个生成图像的质量评估问题。 在此源代码中，我们发布了易于使用的GMM-GIQA和KNN-GIQA代码。 引文 如果您发现我们的代码对您的研究有所帮助，请考虑引用： @article{gu2020giqa, title={GIQA: Generated Image Quality Assessment}, author={Gu, Shuyang and Bao, Jianmin and Chen, D