零參考影像品質評估（ZR-IQA）及其局限性

ZR-IQA通常指零參考影像品質評估，也稱為無參考 IQA 。

它無需其他操作，僅憑單張影像即可評估影像品質：

一張「完美」的參考圖片，
測試圖表，
或一個已知的真實場景。

它可以評估什麼

ZR-IQA 方法通常會嘗試偵測或評估以下問題：

模糊/清晰度下降
噪音
暴露不足
低對比度
色偏
壓縮偽影
過度處理產物
整體感知影像質量

它為何有用

當您需要評估場景不受控制的真實世界圖像時，ZR-IQA 非常有用，例如：

現場測試
生產監控
相機調校比較
自動影像篩選
大型影像資料集

主要限制

ZR-IQA不能取代受控影像品質測試。

由於沒有參照物，結果可能受到以下因素的嚴重影響：

場景內容，
燈光，
運動，
主體紋理，
演算法訓練數據，
以及相機處理。

它可能告訴你圖像“看起來更糟”，但通常無法提供與基於圖表的測試相同的可追溯的物理指標，例如：

MTF/傾斜邊緣的銳利度
動態範圍
色彩誤差
紋理損失
失真
均勻性/鏡片陰影
在受控照度水準下的雜訊統計數據

最佳實踐

使用 ZR-IQA 作為篩選或監控工具，然後使用標準化目標和 Imatest 分析模組，透過受控實驗室測試驗證相機效能，例如：

eSFR ISO 或 SFRplus 用於提高清晰度
顏色/色調用於顏色和噪音
隨機/散落的硬幣用於紋理再現
平坦場均勻性
動態範圍目標值，用於曝光範圍

簡而言之：

ZR-IQA 適用於評估自然影像的感知品質。

基於圖表的 Imatest 測試更適合客觀、可重複地表徵相機特性。

零參考IQA模型：

模型	年	描述
比奇	2010	盲影像品質指數。此框架分為兩個階段，首先識別主要失真類型，然後使用針對該失真類型的迴歸模型評估影像品質。可處理 JPEG、JP2K、白噪音、高斯模糊和快速褪色失真。
神聖	2011	基於失真識別的影像真實性和完整性評估。採用可控金字塔分解，結合邊緣、聯合和跨頻帶NSS統計量來評估知覺品質。使用LIVE IQA資料庫進行訓練。
布里斯克	2012	盲/無參考影像空間品質評估器。使用局部歸一化亮度係數和MVG距離模型測量空間域中的自然度損失。基於LIVE IQA資料庫進行訓練。
IL-NIQE	2015	整合式局部自然影像品質評估器。該評估器採用一種無需人工評判的指標，提取局部自然空間特徵，並測量其與自然影像塊多元高斯模型的偏差。無需人工評分。
維克特	2015	視覺影像品質評估工具。一種針對手機相機拍攝影像的無參考指標。它將清晰度、雜訊、色彩保真度、曝光度和自然場景統計資料整合到一個類似MOS的單一評分中。由英特爾公司開發。
比康	2017	基於局部對比度特徵統計的盲影像品質評估。該模型基於卷積神經網路（CNN），並在局部對比度歸一化影像區塊上進行訓練。它同時支援局部品質回歸和全局MOS預測。
NRQM / Ma	2017	無需參考影像的單張影像超解析度品質評估指標。擷取空間域和頻域統計數據，量化超解析度偽影（模糊、振鈴、混疊）。採用基於人類感知評分訓練的兩階段迴歸模型。
DeepIQA	2018	基於深度卷積神經網路的無參考影像品質評估。此網絡採用10層卷積神經網絡，在32x32像素的影像區塊上進行訓練，並採用逐塊平均法。它能夠直接從原始像素預測感知品質。
DBCNN	2020	用於盲目影像品質評估的深度雙線性卷積神經網路。使用 VGG16 和 SCNN（Shearlet CNN）作為雙重骨幹網絡，並結合雙線性池化來捕捉互補的失真特徵，從而進行品質預測。
HyperIQA	2020	基於超網路的影像品質評估。此方法採用 ResNet-50 骨幹網路和超網路架構，利用語意特性產生目標網路權重，並利用局部失真特性進行品質預測。
瑪尼卡	2022	用於影像品質評估的多維注意力網路。採用視覺變換器 (ViT) 骨幹網絡，並結合空間和通道注意力模組。在多個影像品質評估 (IQA) 資料庫上進行訓練，以實現強大的跨資料集泛化能力。採用最先進的無參考評估指標。
TReS	2022	用於影像品質評估的 Transformer 和 ResNet。它使用具有 L2 池化的 ResNet 骨幹網路和 Transformer 編碼器，後者能夠對特徵圖之間的長程空間依賴性進行建模，從而實現更準確的品質預測。
再品質保證	2023	改進的影像品質評估方法。此方法採用 ResNet-50 編碼器，包含兩個全連接層（2048→2048→128）和一個質量回歸頭。這是一種精簡的盲影像品質評估架構。
LIQE	2024	語言-影像品質評估器。使用 CLIP (ViT-B/32) 將圖像和與品質相關的文字提示編碼到共享的語義空間中。透過圖像和文字嵌入之間的餘弦相似度來預測品質。
QCN	2024	用於盲目 IQA 的品質比較網絡（CVPR 2024）。使用 4 階段深度可分離 CNN 主幹網路和 3 個比較 Transformer 層，以及 101 個學習到的分數樞軸，透過 256 維嵌入空間中的幾何序學習來估計感知品質。