零参考图像质量评估（ZR-IQA）及其局限性

ZR-IQA通常指零参考图像质量评估，也称为无参考 IQA 。

它无需其他操作，仅凭单张图像即可评估图像质量：

一张“完美”的参考图片，
测试图表，
或者一个已知的真实场景。

它可以评估什么

ZR-IQA 方法通常尝试检测或评估以下问题：

模糊/清晰度下降
噪音
暴露不足
低对比度
色偏
压缩伪影
过度处理产物
总体感知图像质量

它为何有用

当您需要评估场景不受控制的真实世界图像时，ZR-IQA 非常有用，例如：

现场测试
生产监控
相机调校对比
自动图像筛选
大型图像数据集

主要限制

ZR-IQA不能替代受控图像质量测试。

由于没有参照物，结果可能受到以下因素的严重影响：

场景内容，
灯光，
运动，
主体纹理，
算法训练数据，
以及相机处理。

它可能告诉你图像“看起来更糟”，但通常无法提供与基于图表的测试相同的可追溯的物理指标，例如：

MTF/倾斜边缘的锐度
动态范围
颜色误差
纹理损失
失真
均匀性/镜片阴影
在受控照度水平下的噪声统计数据

最佳实践

使用 ZR-IQA 作为筛选或监控工具，然后使用标准化目标和 Imatest 分析模块，通过受控实验室测试验证相机性能，例如：

eSFR ISO 或 SFRplus 用于提高清晰度
颜色/色调用于颜色和噪声
随机/散落的硬币用于纹理再现
平坦场均匀性
动态范围目标值，用于曝光范围

简而言之：

ZR-IQA 适用于评估自然图像的感知质量。

基于图表的 Imatest 测试更适合客观、可重复地表征相机特性。

零参考IQA模型：

模型	年	描述
比奇	2010	盲图像质量指数。该框架分为两个阶段，首先识别主要失真类型，然后使用针对该失真类型的回归模型评估图像质量。可处理 JPEG、JP2K、白噪声、高斯模糊和快速褪色失真。
神圣	2011	基于失真识别的图像真实性和完整性评估。采用可控金字塔分解，结合边缘、联合和跨频带NSS统计量来评估感知质量。使用LIVE IQA数据库进行训练。
布里斯克	2012	盲/无参考图像空间质量评估器。使用局部归一化亮度系数和MVG距离模型测量空间域中的自然度损失。基于LIVE IQA数据库进行训练。
IL-NIQE	2015	集成式局部自然图像质量评估器。该评估器采用一种无需人工评判的指标，提取局部自然空间特征，并测量其与自然图像块多元高斯模型的偏差。无需人工评分。
维克特	2015	视觉图像质量评估工具。一种针对手机摄像头拍摄图像的无参考指标。它将清晰度、噪声、色彩保真度、曝光和自然场景统计数据融合到一个类似MOS的单一评分中。由英特尔公司开发。
比康	2017	基于局部对比度特征统计的盲图像质量评估。该模型基于卷积神经网络（CNN），并在局部对比度归一化图像块上进行训练。它同时支持局部质量回归和全局MOS预测。
NRQM / Ma	2017	无需参考图像的单幅图像超分辨率质量评价指标。提取空间域和频域统计数据，量化超分辨率伪影（模糊、振铃、混叠）。采用基于人类感知评分训练的两阶段回归模型。
DeepIQA	2018	基于深度卷积神经网络的无参考图像质量评估。该网络采用10层卷积神经网络，在32x32像素的图像块上进行训练，并采用逐块平均法。它能够直接从原始像素预测感知质量。
DBCNN	2020	用于盲目图像质量评估的深度双线性卷积神经网络。使用 VGG16 和 SCNN（Shearlet CNN）作为双重骨干网络，并结合双线性池化来捕获互补的失真特征，从而进行质量预测。
HyperIQA	2020	基于超网络的图像质量评估。该方法采用 ResNet-50 骨干网络和超网络架构，利用语义特征生成目标网络权重，并利用局部失真特征进行质量预测。
玛尼卡	2022	用于图像质量评估的多维注意力网络。采用视觉变换器 (ViT) 骨干网络，并结合空间和通道注意力模块。在多个图像质量评估 (IQA) 数据库上进行训练，以实现强大的跨数据集泛化能力。采用最先进的无参考评价指标。
TReS	2022	用于图像质量评估的 Transformer 和 ResNet。它使用带有 L2 池化的 ResNet 骨干网络和 Transformer 编码器，后者能够对特征图之间的长程空间依赖性进行建模，从而实现更准确的质量预测。
再质量保证	2023	改进的图像质量评估方法。该方法采用 ResNet-50 编码器，包含两个全连接层（2048→2048→128）和一个质量回归头。这是一种精简的盲图像质量评估架构。
LIQE	2024	语言-图像质量评估器。使用 CLIP (ViT-B/32) 将图像和与质量相关的文本提示编码到共享的语义空间中。通过图像和文本嵌入之间的余弦相似度来预测质量。
QCN	2024	用于盲目 IQA 的质量比较网络（CVPR 2024）。使用 4 阶段深度可分离 CNN 主干网络和 3 个比较 Transformer 层，以及 101 个学习到的分数枢轴，通过 256 维嵌入空间中的几何序学习来估计感知质量。