图像质量评价领域前沿综述(2022)

图像质量评价(Image Quality Assessment)前沿综述

  • 论文
    • NR-IQA
    • FR-IQA
    • 其他
  • IQA数据库
    • 主流IQA数据库
    • 美学和眼动等数据库

图像质量评价(Image Quality Assessment, IQA)主要包括两个部分,一是主观质量评价,即人对于图片的主观感知评价,一般使用MOS或者DMOS指标来定量描述,其获取方式是通过开展主观心理学实验,建立图像质量评价数据库,根据失真类型、实验方式等不同,IQA数据库的种类十分丰富;另一个是客观质量评价,其评价主体为机器,通常是设计一个分类器或回归器对图片进行评价,目前研究较多的基于深度学习的图像质量评价算法。

本文主要针对以下两个方面进行总结:

  • Deep-learning based 的IQA模型
  • IQA数据库

论文

图像客观质量评价算法主要分为两个部分,一个是NR-IQA,即No-reference IQA ,无参考图像质量评价算法;另一个是FR-IQA,即Full-Reference IQA, 全参考图像质量评价。下面针对这两部分进行总结

NR-IQA

下面我按照时间顺序罗列一下目前常见的NR-IQA算法,如下表所示:

算法名称 发表时间/团队 代码 类型 谷歌学术 主要思路
NIQE SPL2012 传统
BRISQUE TIP2012 传统
ILNIQE TIP2015 传统
HOSA TIP2016 传统
NRQM (Ma) CVIU2017 Matlab 传统
CNNIQA CVPR2014 DL
dipIQ TIP2017 DL
MEON TIP2017 DL
RankIQA ICCV2017 DL
NIMA TIP2018 DL
WaDIQaM (deepIQA) TIP2018 DL
BPSQM CVPR2018 DL
HIQA CVPR2018 DL
PI 2018 PIRM Challenge DL
PQR TIP2019 DL
SFA TMM2019 DL
DBCNN TCSVT2020 DL
GIQA ECCV2020 DL
Meta-IQA CVPR2020 DL
HyperIQA CVPR2020 DL
UNIQUE TIP2021 DL
CKDN ICCV2021 DL
MUSIQ ICCV2021 DL
KonIQ++ BMVC2021 DL

FR-IQA

算法名称 发表时间 类型 谷歌学术 代码 主要思路
CVRKD AAAI2022 NAR A Official
IQT CVPRW2021 FR C PyTorch Transformer
A-DISTS ACMM2021 FR A Official
DISTS TPAMI2021 FR T Official
JND-SalCAR TCSVT2020 FR T
QADS TIP2019 FR T Project
LPIPS CVPR2018 FR C Project
PieAPP CVPR2018 FR C Project
WaDIQaM TIP2018 NR/FR T Official
FSIM TIP2011 FR T Project
VIF/IFC TIP2006 FR TI Project
MS-SSIM pdf FR Project
SSIM TIP2004 FR T Project
PSNR FR

其他

IQA数据库

IQA数据库主要分为两大类,主流的IQA数据库和其他的眼动、美学相关的数据库。

  • 主流数据库主要包括:单一失真数据库、混合失真数据库、不同摄影器材数据库和真实失真数据库
  • 其他数据库主要包括:眼动数据库和美学数据库

主流IQA数据库

下面是主流的IQA数据库,后面我将对其进行更加细致的说明,目前先进行主要信息的总结。

数据库名称 发表时间 类型 谷歌学术 链接 图片说明 备注
PaQ-2-PiQ CVPR2020 真实失真 CV Official github 40k, 120k patches 4M
SPAQ CVPR2020 CVPR2020 Offical github 11k (smartphone)
KonIQ-10k TIP2020 TIP2020 Project 10k from YFCC100M 1.2M
CLIVE TIP2016 TIP2016 Project 1200 350k
PIPAL ECCV2020 ECCV2020 Project 250 1.13M
KADIS-700k arXiv arXiv Project 140k pristine / 700k distorted 30 ratings (DCRs) per image.
KADID-10k QoMEX2019 QoMEX2019 Project 81 10k distortions
Waterloo-Exp TIP2017 TIP2017 Project 4744 94k distortions
MDID PR2017 PR2017 20 1600 distortions
TID2013 SP2015 SP2015 Project 25 3000 distortions
LIVEMD ACSSC2012 ACSSC2012 Project 15 pristine images two successive distortions
CSIQ JEI2010 sada 30 866 distortions
TID2008 2008 2009 Project 25 1700 distortions
A57 2007 2005 10 185 distortions
LIVE TIP2006 TIP2006 Project 29 images, 780 synthetic distortions
IVC 2005 2005 10 185 distortions

美学和眼动等数据库

你可能感兴趣的:(图像质量评价,计算机视觉,深度学习,图像处理)