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 | 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 |