图像质量评价领域前沿综述（2022）

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