面向无参考图像质量评估的协同双效注意力网络：提升感知质量与计算效率的创新方法

本文提出一种协同空间-通道与高效加性注意力网络（SDEAAN-IQA），通过融合多维度特征提取与注意力机制，在无参考图像质量评估（NR-IQA）中实现高精度与低计算成本的统一，为医学影像、自动驾驶等实时视觉应用提供可靠解决方案。

　　

亮点（Highlights）

• •
  我们采用协同双注意力模块（Synergistic Dual-Attention Module, SDAM）以增强图像质量评估中的特征提取能力。SDAM利用多语义空间注意力引导通道特征学习，随后在通道维度进行单头自注意力操作，以减少语义差异并促进语义交互。该方法能够从通道和空间视角提取富含语义与失真信息的全面全局特征。
• •
  我们开发了创新的高效加性注意力模块（Efficient Additive Attention Module, EAAM）。该模块由一个加性注意力机制和一个多尺度前馈网络（Multi-scale Feed-forward Network, MS-FFN）组成。EAAM专注于与人类视觉感知一致的关键区域，有效将参考图像与失真图像之间的感知差异映射到潜在空间中，从而实现精确的失真评估。
• •
  我们利用SDAM和EAAM构建了SDEAAN，进而提出一种新的NR-IQA方法，该方法整合了特征提取模块（Feature Extraction Module, FEM）、SDAM、EAAM和块加权质量预测模块。具体而言，SDEAAN方法首先通过FEM从视觉Transformer（ViT）中提取包含多样化信息的四层特征。这些特征随后输入至SDAM，从空间和通道维度学习多尺度全局特征。接着，所学特征传递至EAAM进行进一步优化，增强关键区域的特征表示。最后，块加权质量预测模块为每个图像块分配权重，聚合各块的质量得分以生成最终的图像质量评估结果。

结论（Conclusion）

在本文中，我们解决了NR-IQA中同时实现高精度与计算效率的挑战。我们提出了一种新颖的SDEAAN-IQA方法。我们的方法首先利用预训练的视觉Transformer提取丰富的失真和语义特征。随后，采用SDAM有效捕获并整合跨空间和通道维度的显著信息，增强质量相关特征的表示。为进一步优化这些特征并同时……