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。

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

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。

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

基于Gabor特征的屏幕内容图像质量评估模型 IEEE图像处理事务（T-IP） ，曾焕强，，侯俊辉，陈静和 | 介绍 该网站共享IEEE图像处理事务（T-IP），第1卷，“屏幕内容图像的基于Gabor特征的质量评估模型”的代码。 27，pp.4516-4528，2018年9月。 抽象的 本文提出了一种基于提取的Gabor特征的准确高效的全参考图像质量评估（IQA）模型，称为基于Gabor特征的模型（GFM），用于对屏幕内容图像（SCI）进行客观评估。 众所周知，Gabor滤波器与人类视觉系统（HVS）的响应高度一致，并且HVS对边缘信息高度敏感。 基于这些事实，将具有奇数对称性并产生边缘检测的Gabor滤波器的虚部用于参考和失真SCI的亮度，以分别提取其Gabor特征。 然后独立测量在LMN颜色空间中记录的提取Gabor特征和两个色度分量的局部相似性。 最后，采用Gabor特征池化策略来

客观的图像质量评估旨在对两个图像之间语义信息的感知保真度建模。 在这封信中，我们假设图像的语义信息完全由每个像素的边缘强度表示，并提出了一种基于边缘强度相似度的图像质量度量（ESSIM）。 通过研究图像中边缘的特征，我们定义边缘强度以同时考虑到各向异性的规则性和边缘的不规则性。 拟议的ESSIM非常简单，但是，与在六个主题评级的图像数据库上评估的最新图像质量指标相比，它可以实现略微更好的性能。

该示例旨在说明如何对经过训练的模型进行客户端预测 原因 想象一下，您创建了一个模型，该模型可以完成很多工作并为人们提供帮助。 您将此模型放在网络上，每天使用大约1000个查询，数量不多。 简单的服务器可以处理它，但是有一天，这种模型被公众发现，并且您每天开始收到10万条查询，同一台服务器可能会死掉。 因此，现在您可以扩展服务器并添加越来越多的内存，也可以尝试将预测重写到客户端。 如果您选择第二个选项，则这里有适合您的教程。 组件 后端：Flask（我知道TFJS现在支持node，但是为了进行适当的预处理，它在python中） 预处理：cv2，numpy，您想要的任何python库 前端：tensorflowjs（我在cdn的头中有一个脚本，是为python开发人员设计的，目的是不下载模块） 模型 您可以下载我的模型或训练新模型。 不要忘记将其转换为适用于TFJS的格式。 用法 只需运行ap

CNNIQA 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 data /中的mat文件是从数据集中提取的信息以及有关火车/ val /测试段的索引信息。 LIVE的主观评分来自。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE 训练前， im_dir在config.yaml被指定必须的。 可以在config.yaml设置数据库内实验中的Train / Val / Test拆分比率（默认值为0.6 / 0.2 / 0.2）。 评估 测试演示 python test_demo.py --im_path=data/I03_01_1.bmp 交叉数据集 python test_cross_dataset.py --help TODO：

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).