FsPN：基于特征选择金字塔网络的盲图像质量评估

《IEEE Signal Processing Letters》：FsPN: Blind Image Quality Assessment Based on Feature-Selected Pyramid Network

提出FsPN方法，通过空间选择模块筛选预训练模型特征，结合金字塔网络融合多尺度特征，在六个公开数据集上验证优于现有方法，解决传统BIQA手动设计的问题。

　　

摘要：

盲图像质量评估（BIQA）对用户满意度以及各种图像处理应用的性能至关重要。大多数BIQA方法直接使用预训练模型提取特征，然后进行特征融合。然而，预训练模型提取的特征可能包含与BIQA无关的信息。尽管有些方法从头开始重新训练特征提取网络，但这些方法会增加计算成本和资源需求。在本文中，提出了一种名为“特征选择金字塔网络”（Feature-selected Pyramid Network, FsPN）的方法，从不同的角度来解决这一问题。首先，一个空间选择模块从预训练模型提取的特征中筛选出有用的信息；接着，利用基于跳跃连接（skip connections）的金字塔网络来融合这些选定的多尺度特征。该方法在六个公开数据集上进行了验证，其性能始终优于现有的最先进方法，证明了其有效性和适应性。

引言

图像的质量在各个领域中对信息的准确传达和理解有着重要影响[1]、[2]、[3]。模糊、失真或低分辨率的图像可能导致信息丢失或传递错误的数据。客观图像质量评估（IQA）旨在利用计算机生成的分数来模拟人类的图像评估过程，从而减轻人类的工作负担。根据参考图像的可用性，客观IQA可分为三类：全参考（Full Reference, FR）[4]、[5]、减少参考（Reduced Reference, RR）[6]、[7]和盲图像质量评估（Blind Image Quality Assessment, BIQA）[8]、[9]。基于FR和RR的IQA方法通常能够实现较高的准确率，因为它们可以访问参考图像。然而，这些方法在评估仅包含真实失真图像的数据集时面临挑战。BIQA无需参考图像即可评估图像质量，从而解决了上述问题。传统的BIQA方法大多是基于人工设计的，存在局限性且缺乏灵活性。随着计算能力的提升和数据集规模的扩大，许多基于深度学习的BIQA方法应运而生。