面向动态视觉环境的边缘感知图像质量评估：基于不确定性引导的信号稳定方法及其在车载摄像头中的应用

《Digital Signal Processing》：Edge-Aware Image Quality Assessment via Uncertainty-Guided Signal Stabilization for Dynamic Visual Environments: Application to Automotive Camera

　　

在智能移动系统中，图像质量评估可用于识别视觉摄像头的异常运行状态。然而，在实际驾驶环境中，即使摄像头硬件未发生故障，图像质量评分仍会因场景变化和环境因素产生显著波动，导致难以可靠地区分故障状态。为此，研究人员提出了一种基于信号处理的框架，在不修改或重新训练现有无参考图像质量评估模型的前提下，实现图像质量评分的稳定化。该方法采用归一化拉普拉斯能量作为结构加权因子，聚合局部块级IQA得分以获得帧级图像质量评分，并从块级评分离散程度中估计不确定性，进而自适应控制指数移动平均平滑，抑制由场景引起的波动，同时保留对渐进性退化的敏感性。研究人员利用多种环境下采集的真实车载驾驶数据对该框架进行了验证，并在六种NR-IQA模型上进行测试。实验结果表明，所有模型的评分方差均显著降低，其中HyperIQA模型的方差降低幅度达到98.3%。此外，将该框架应用于车载图像失真分类场景的结果显示，边缘感知HyperIQA的变异系数(CV)较基线降低约58%，且纯净数据集与失真数据集的评分分布可分性显著提升。研究表明，该框架可为动态移动环境中的连续视觉摄像头质量监测提供一种稳健且与模型无关的解决方案。

研究背景方面，视觉摄像头在自动驾驶及各类移动平台中承担物体检测、车道识别和障碍物检测等关键感知任务，其图像信号质量直接影响感知算法性能。然而，在户外长期运行中，摄像头会受到太阳辐射、恶劣天气、机械振动和热应力等复合影响，导致热变形、材料老化、污染和电气干扰等问题，进而引发模糊、噪声增加、周期性干扰及对比度与结构信息丢失等退化现象。此类退化通常是渐进性的，往往在感知性能明显下降后才被检测到，因此亟需一种能够在早期持续评估图像质量的方法。现有的无参考图像质量评估（NR-IQA）方法虽可无需参考图像进行分析，但在动态驾驶场景中，由于光照、背景结构和运动模糊等因素的快速变化，评分容易出现大幅波动，难以区分是由摄像头硬件退化还是环境变化引起。

研究人员针对上述问题，提出了一种信号处理框架，将现有NR-IQA模型输出的质量评分转化为稳定的诊断指标。该框架通过拉普拉斯能量（Laplacian energy）估计图像块的结构重要性，并对块级IQA得分进行加权获得帧级评分，再从块级评分分布中量化不确定性，将其转换为置信度，进而自适应调整指数移动平均（EMA）系数以实现平滑。该方法在不改变NR-IQA模型结构或训练策略的情况下，有效抑制场景引起的评分波动，同时保持对渐进性退化的敏感度。

关键技术方法方面，研究人员采用真实车载驾驶数据，涵盖多种环境条件，并在六种NR-IQA模型上进行验证。方法包括：①基于归一化拉普拉斯能量的边缘感知空间加权，用于生成帧级质量评分；②利用块级质量评分的方差量化帧级不确定性，并转换为置信度；③置信度引导的自适应EMA平滑策略，以平衡波动抑制与退化敏感性。

研究结果方面：

Failure mode of vision camera

研究人员分析了户外移动环境中视觉摄像头的多种失效模式，包括雨水、灰尘和雾等恶劣条件导致的镜头结露、表面污染和光散射效应，以及高温、机械振动和热循环造成的材料老化与性能下降。

Overview

提出的框架从信号处理角度稳定NR-IQA输出的场景依赖波动，使摄像头退化水平能够一致评估。

Application of Automotive Camera

在车载视觉摄像头应用中，研究人员详细说明了数据集构成、边缘感知评分计算流程及分类性能评估方法，结果显示评分稳定性显著提升。

Conclusions

研究证实，基于拉普拉斯能量的边缘感知加权与置信度引导的自适应指数平滑能够有效稳定动态环境下的NR-IQA评分，为连续视觉质量监测提供了模型无关且适用于多种NR-IQA方法的解决方案。

讨论与结论翻译部分，研究人员指出，该方法将NR-IQA评分视为随时间演化的信号而非孤立值，从而在动态驾驶环境中实现了稳健的质量监测。该框架具有通用性，可在不修改现有模型的前提下广泛应用于不同类型的NR-IQA方法与驾驶环境，对于提升车载摄像头系统的安全性与可靠性具有重要意义。论文发表于《Digital Signal Processing》。