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 |