|
|
|
发布时间: 2022-05-16 |
综述 |
|
|
|
程茹秋1, 余烨1,2, 石岱宗1, 蔡文1 |
收稿日期: 2021-05-12; 修回日期: 2021-08-05; 预印本日期: 2021-08-12
基金项目: 安徽省重点研发计划资助(201904d07020010)；国家自然科学基金项目(61906061)
作者简介:
程茹秋，1997年生, 男, 硕士研究生, 主要研究方向为图像/视频质量评价。E-mail: 1269130224@qq.com
余烨，通信作者，女，副教授，硕士生导师，主要研究方向为计算机视觉、虚拟现实与可视化。E-mail: yuye@hfut.edu.cn 石岱宗，男，硕士研究生，主要研究方向为目标检测。E-mail: 1359926433@qq.com 蔡文，女，硕士研究生，主要研究方向为计算机视觉。E-mail: 15226555110@163.com *通信作者: 余烨 yuye@hfut.edu.cn
中图法分类号: TP391.41
文献标识码: A
文章编号: 1006-8961(2022)05-1410-20
|
摘要
图像/视频的获取及传输过程中，由于物理环境及算法性能的限制，其质量难免会出现无法预估的衰减，导致其在实际场景中的应用受到限制，并对人的视觉体验造成显著影响。因此，作为计算机视觉领域的一项重要任务，图像/视频质量评价应运而生。其目的在于通过构建计算机数学模型来衡量图像/视频中的失真信息以判断其质量的好坏，达到自动预测质量的效果。在城市生活、交通监控以及多媒体直播等多个场景中具有广泛的应用前景。图像/视频质量评价研究取得了长足的发展，为计算机视觉领域中其他任务提供了一定的便利。本文在广泛调研前人研究的基础上，回顾了整个图像/视频质量评价领域的发展历程，分别列举了传统方法和深度学习方法中一些具有里程碑意义的算法和影响力较大的算法，然后从全参考、半参考和无参考3个方面分别对图像/视频质量评价领域的一些文献进行了综述，具体涉及的方法包含基于结构信息、基于人类视觉系统和基于自然图像统计的方法等；在LIVE(laboratory for image & video engineering)、CSIQ(categorical subjective image quality database)、TID2013等公开数据集的基础上，基于SROCC(Spearman rank order correlation coefficient)、PLCC(Pearson linear correlation coefficient)等评价指标，对一些具有代表性算法的性能进行了分析；最后总结当前质量评价领域仍存在的一些挑战与问题，并对其进行了展望。本文旨在为质量评价领域的研究人员提供一个较全面的参考。
关键词
图像/视频质量评价(I/VQA); 结构信息; 人类视觉系统(HVS); 自然图像统计(NSS); 深度学习
Cheng Ruqiu1, Yu Ye1,2, Shi Daizong1, Cai Wen1 Abstract
Images and videos quality has a great impact on the information acquisition of human behavior visual system. Image/video quality assessment (I/VQA) can be regarded as a key factor for multimedia and network video services nowadays. The quality assessment methods are mainly segmented into qualitative and quantitative models. Qualitative methods conduct quality assessment based on the human's eyes, which cost lots of manpower and time consuming resources. Quantitative quality assessment simulates human observation and it can automatically forecast input quality for those of I/VQA researchers. Our review is critical reviewed quality assessment(QA) methods like full reference (FR), reduced reference (RR) and no reference (NR) methods, which are categorized based on the "clean" data capability (the reference image with no distortion). The full reference methods assess the quality of the distorted images with comparison of the "clean" data. The pros of these methods are better performance, low complexity and good robustness. The cons are that the reference images are challenged to obtain in the in-situ scenarios. Compared with the full reference methods, the reduced reference methods reduce the number of the reference images based on featured reference data to predict the quality. All reference data are not required for the no reference methods. Traditional IQA methods are mainly based on structural similarity, human visual system (HVS) and natural scene statistical theory (NSS). The structure similarity based methods assesses the measurement quality derived of the structural information changes; the HVS based methods are based on some human eyes features; Natural scene statistics based methods fit the transformed coefficients distribution of images or videos and compare the gap of reference coefficients and test coefficients. The emerging deep learning methods based on convolutional neural network (CNN) extract image features through convolutional operations and implement logistic regression to update the models. The learning capability of the IQA-oriented CNN has its priority. VQA models are mainly divided into two categories. One category is that the temporal video quality can be obtained based on the IQA methods for single frame, and then integrate the quality of all frames. The integration methods are mainly divided into general average and weighted average methods in which the weights can be obtained in terms of manual setting or learning. The other one is forthe three dimensions (3D) video as mentioned below: First, extracting the coefficient distribution by 3D transformation or using 3D CNN to extract features, and then fitting the coefficient distribution or mapping the features to obtain the final quality. Compared to traditional methods, learning-based methods have higher complexity, but better performance. Most of the current VQA methods also use CNN as the backbone structure, which assists in the overall model construction. Our critical review analyzes the growth of I/VQA and lists some representative algorithms. Then, we review some I/VQA based literatures from two aspects, including traditional methods and deep learning-based methods, respectively. The capability of representative algorithms is analyzed derived of Spearman rank order correlation coefficient(SROCC) and Pearson linear correlation coefficient(PLCC) evaluation indexes in terms of laboratory for image & video engineering(LIVE), categorical subjective image quality database(CSIQ), TID2013 and other datasets. Finally, the challenging issues of quality assessment are summarized and predicted.
Key words
image/video quality assessment(I/VQA); structural information; human vision system(HVS); natural scene statistics(NSS); deep learning
0 引言
随着社会与科技的发展，图像和视频已成为人们生活中使用最广泛的数据媒介。据不完全统计，目前国内安装的摄像头约1.76亿个，一个200 W像素的摄像头工作一天的容量约为42.1 GB，按此计算，这些摄像头每天产生的视频约为6.9 EB，再加上抓拍的图像，数据量十分庞大。这些数据在智慧城市、交通安全和生活服务等多个领域发挥着重要作用。海量图像和视频数据，其质量难以保证，使得对其应用带来影响。如何对这些数据的质量进行评价逐渐成为计算机视觉领域的一项重要任务，具有十分重要的应用前景。
在视频监控中，通过图像/视频质量评价(image/video quality assessment, I/VQA)可以预测设备状态，以及时对存在问题的设备进行维修或更换；在网络直播中，通过I/VQA可以分析视频质量，以改善终端用户体验。同时，I/VQA也逐渐成为众多图像和视频处理任务的前提。在图像超分辨率重建中，可以基于生成图像的质量来对模型性能进行判断；在图像/视频压缩中，基于I/VQA可以保证压缩后的码率；在图像增强领域，可以基于增强图像质量的评价来引导整个模型更新。
I/VQA方法分为主观和客观两类。主观方法通过人为打分的方式获得平均主观得分(mean opinion score, MOS)或平均主观得分差异(differential mean opinion score, DMOS)，目前仅用于需要构造数据集的情况下，基于主观方法获取图像的MOS作为数据集的标签。由于该方法需要耗费大量的人力，成本高且效率低下，因此，I/VQA主要以客观评价方法为主。本文也集中在对客观评价方法的综述上。
客观评价方法主要分为全参考(full-reference, FR)、半参考(reduced-reference, RR)和无参考(no-reference, NR)3类。其中，NR方法又称为盲图像/视频质量评价(blind image/video quality assessment, BIQA/BVQA)方法。FR方法在对测试图像或视频进行质量评价时，需要原始的参考图像或视频作为对比；RR方法仅需从参考数据中提取部分信息作为对比；NR方法不需要参考数据，能够直接对测试图像进行质量评价，是目前质量评价领域的研究重点，在3种方法中实用性最强。
随着图像采集、监控技术的发展，I/VQA在受到众多研究者关注的同时，也面临着以下挑战：1) 客观I/VQA方法如何能更好地模拟人眼主观感知；2)如何能对变化多端的失真均进行有效评估，使其具有实用性；3) 如何平衡I/VQA模型的性能与速度，提高模型效率。面对上述挑战，研究者们提出了很多I/VQA方法，尤其是随着深度学习技术的发展，许多新的设计思路和评价方法相继提出。
本文将对I/VQA领域的研究进展进行全面综述，分别从传统I/VQA方法和深度学习时代下的一些新兴方法两个方面展开论述，同时对一些经典I/VQA算法的性能进行评估和分析，最后对I/VQA领域存在的一些问题进行总结和展望。
与Chandler(2013)、方玉明等人(2021)以及Zhai和Min(2020)近期的综述不同，本篇综述中贯通了IQA与VQA领域的关联，贯通了传统方法与基于深度学习方法的区别与关联，综述更加全面，对整个QA行业的发展起到了借鉴和推动作用。
1 I/VQA方法的发展历程
质量评价领域自20世纪70年代逐渐发展至今，目前虽没有统一的衡量标准，但依然诞生了很多具有影响力的算法。本文对质量评价领域自2000年以后的发展历程进行总结，将一些有影响力的工作按照时间线的顺序绘制出来，如图 1所示，其中RRED为reduced reference entropic differencing。
图 1中，里程碑式的事件被认为有3个：
1) 基于结构相似性(structural similarity，SSIM)IQA方法(Wang等，2004a)的提出。其改变了以往主流质量评价方法PSNR(peak signal to noise ratio)和MSE(mean square error)仅关注图像中像素信息改变的现状，从而使基于结构信息的主观感知逐渐成为评价任务的重心。
2) 基于自然图像统计(natural scene statistics，NSS)的BRISQUE(blind/ referenceless image spatial quality evaluator)算法(Mittal等，2012)。这是较早使用自然图像统计处理IQA的工作，它解决了此前大多方法计算开销大、速度不够快、鲁棒性和性能不佳的问题。
3) 2014年基于深度学习的质量评价方法的提出(Kang等，2014)。该方法证明将深度学习用于质量评价任务中，可以大大提升算法的性能和鲁棒性，同时也开启了基于深度学习的IQA研究的先河，是IQA领域的一个重要转折点。
传统IQA中具有影响力的一些算法还包括：在SSIM基础上扩展的MS-SSIM(multi-scale structural similarity)(Wang等，2004b)、3-SSIM(three component SSIM)(Li和Bovik，2009)和IW-SSIM(information content weighting SSIM)(Wang和Li，2011)；基于信息保真度的IFC(information fidelity criterion)(Sheikh等，2005a)和VIF(visual information fidelity)(Sheikh等，2006)；人类视觉系统(human visual system, HVS)相关的FSIM(feature similarity)(Zhang等，2011)；基于变换域系数的方法(Wang等，2006；Li和Wang，2009)；基于NSS的BLIINDS-II(blind image integrity notator using DCT statistics)(Saad等，2012)和NIQE(natural image quality evaluator)(Mittal等，2013)等。
进入深度学习时代后，IQA中具有影响力的算法包括：基于质量排序思想的RankIQA(Liu等，2017)、基于生成对抗网络的HIQA(hallucinated-IQA)(Lin和Wang，2018)以及基于元学习的Meta-IQA(Zhu等，2020)等。这些深度学习方法在一定程度上减少了对参考图像和MOS的需求，促进了NR-IQA方法的应用和发展。
在VQA中，虽然没有诸如SSIM这类里程碑式的算法，但有如下两个被认为较经典且贡献较大的算法：
1) 2010年提出的MOVIE(motion-based video ntegrity evaluation index)算法(Seshadrinathan和Bovik，2010)。该方法中创新性的时间和空间质量评价模块使其在性能上实现了较大的提升，引起了很多研究人员的关注，VQA任务逐渐得到重视。
2) 2016年提出的VIIDEO(video intrinsic integrity and distortion evaluation oracle)算法作为首个完全无参考的视频质量评价方法，极大地提升了VQA算法的实用性。
其他具有一定影响力的方法包括：减少带宽的方法(Pinson和Wolf，2004；Gunawan和Ghanbari，2008)；基于时间与运动信息设计的方法(Le Callet等，2006)和VQPooling(video quality pooling)(Park等，2013)；基于NSS的VBLIINDS(video BLIINDS)(Saad等，2014；Zhu等，2015)等。这些传统方法与传统IQA方法一样着重于性能的提升。深度学习方法出现后，诞生了基于3维卷积神经网络(three dimension convolutional neural network, 3D CNN)的V-MEON(video multi-task end-to-end optimized neural network)(Liu等，2018b)和基于2D CNN的VSFA(Li等，2019)等方法。这些方法仍以提升性能为主，这是因为当前大多数VQA算法的性能仍达不到要求，也无法减少对MOS等外部信息的依赖。
整体上看，IQA任务目前聚焦于提升性能的同时提升算法实用性和泛化性，减少对外部条件的依赖；VQA则着重于性能方面的提升，同时也关注着算法的泛化性问题。
2 传统的I/VQA方法
传统的I/VQA方法主要包含特征提取、特征表示和特征比对/映射3个步骤。首先基于手工设计的特征来进行图像/视频中一些能够表示失真信息特征的提取，然后利用合适的模型对这些特征进行整合和表示，最后将其与原始特征之间的差距映射为质量(全/半参考)或者直接将其映射为质量(无参考)。该流程在质量评价方法的设计中被广泛采用。下面分别从FR、RR和NR等3个方面对I/VQA方法进行综述。
2.1 传统的IQA方法
2.1.1 全参考IQA方法(FR-IQA)
全参考方法作为IQA领域中最早使用的方法，已经发展了很长一段时间，它将测试图像与原始图像进行对比来评估测试图像的质量。由于具备原始数据作为参考，该方法能够较为精确地衡量图像质量，如早期的MSE和PSNR方法已经在H.264等编码标准中用于评价压缩后的图像质量。然而，由于这两种方法被证明与人眼主观感知不符，研究人员又设计了一系列基于结构信息和HVS的方法。
1) 基于结构信息的方法。基于人眼能够从场景中自适应提取结构信息的假设，Wang等人(2004a)提出一种新的IQA方法——结构相似性算法SSIM，该方法通过比较失真图像和参考图像之间结构信息的变化来衡量图像质量。
由于SSIM能够有效衡量亮度和对比度的退化，在工业上用来衡量广播电视和有线电视的图像质量，在超分辨率和图像去模糊任务中也有广泛应用。SSIM的出现让质量评价任务从以客观感知质量为主转变为以人眼主观感知为中心。
随后，很多基于SSIM的改进方法相继提出。受图像观看距离和显示分辨率的影响，Wang等人(2004b)提出多尺度结构相似性方法MS-SSIM，以对SSIM方法的单尺度进行扩展，通过保留多次滤波后的结果，在多个尺度上衡量结构信息的变化。为解决SSIM对模糊图像质量评价效果不佳的问题，Chen等人(2006)提出GSSIM(gradient-based structural similarity)方法，使用梯度替换结构相似度中的对比度和结构度量，梯度的变化能够衡量由模糊导致的质量下降。此外，基于模糊会减弱图像的语义信息这一特性，Zhang等人(2013)提出ESSIM(edge strength similarity-based image quality metric)方法，通过计算边缘强度相似性来衡量由语义感知导致的质量退化。
上述方法均在其第1个步骤(特征提取)上进行改进，然而，第2个步骤(特征表示)中使用的池化方法也十分重要，部分研究者在此步骤中设计了不同池化方法形成最后的特征表示。Li和Bovik(2009)提出3-SSIM方法，通过将图像分解为边缘、纹理和平滑3个不同区域，在池化过程中对其分配不同权重，以解决SSIM对模糊图像评价效果较差的问题。Wang和Li(2011)则对多种池化方法进行分析，提出基于信息内容量的加权池化方法IW-SSIM，该方法能够应用在大多数全参考方法的特征表示步骤中，并有效提升算法的主观相关性。
2) 基于人类视觉系统的方法。HVS作为一个十分复杂且精细的光学“仪器”，具有亮度适应性、视觉掩蔽、多尺度和边缘敏感等多种特性，这些特性广泛应用于质量评价。
IFC(Sheikh等，2005a)和VIF(Sheikh等，2006)作为较早考虑HVS特性的方法，通过衡量图像的信息保真度，量化测试图像和参考图像之间共享信息的退化来评价图像质量。Ninassi等人(2007)研究人眼对图像的视觉注意力机制，通过加强显著区域信息、减少非显著区域失真的影响来改进质量评价模型。Larson和Chandler(2010)认为HVS采用双重策略来确定图像质量，即对于失真严重的图像，HVS会选择忽略失真，寻找图像内容来获得感知；而在轻微失真图像上，HVS着重于寻找失真信息来获得感知，基于此提出了MAD(most apparent distortion)方法。根据生理学上的研究“视觉上可识别的特征与相位一致性有关”，Zhang等人(2011)使用相位一致性和梯度特征结合提出了FSIM方法。高敏娟等人(2020)则利用Grünwald-Letnikov分数阶导数同时衡量图像的全局变化与局部变化，能够有效模拟HVS的多尺度特性。
2.1.2 半参考IQA方法(RR-IQA)
半参考方法常用于图像/视频的传输系统，受传送通路限制，一般基于图像的部分特征而不是完整的参考图像来完成测试图像的质量评价。常见方法有基于NSS和自由能(free energy)的方法。
1) 自然图像统计。自然图像统计方法是通过量化图像变换域系数分布的退化程度来衡量图像质量。如图 2所示, 对原始和模糊图像分别进行DCT(discrete cosine transform)和系数建模，能够观察到，模糊图像DCT系数的分布与原始图像的相比，出现了偏差，通过对这种偏差的评估可以衡量模糊图像的质量。
Wang等人(2006)提出一种构造质量感知图像的方法，即将原始图像的小波系数分布编码进原始图像，形成质量感知图像；测试时对此系数进行解码，通过解码后系数分布与原系数分布的偏差来量化图像的质量。Li和Wang(2009)使用相对熵量化原始和失真图像变换系数分布间的非对称性差异，以此来预测图像质量。上述方法直接对变换域系数进行建模，而Ma等人(2011)则提出将DCT系数重新组织成3级系数树，然后使用广义高斯分布对系数进行建模，并采用城市块距离(city block distance, CBD)来衡量两个分布之间的差异以预测质量。除使用广义高斯分布外，Xue和Mou(2010)还提出基于韦伯分布建模的半参考方法。
2) 自由能原理。脑理论和神经科学研究中的自由能原理将外界场景的感知和理解建模为一个主动推理过程，在此过程中，大脑试图用一个内部生成模型来描述人眼所看到的场景。即利用内部生成模型，大脑会对遇到的视觉场景做出相应预测。因此，可以基于视觉输入和大脑预测之间的差异来衡量图像质量。
Zhai等人(2012)提出计算参考图像和输入图像之间自由能水平的差值来衡量图像质量的方法，该方法对平移、旋转等不会导致视觉质量变化的因素不敏感。Liu等人(2018a)提出FSI(free energy principle and sparse representation based index for IQA)方法，利用稀疏表示分别预测参考图像和受损图像，然后基于预测误差熵之间的差值衡量图像质量。Zhu等人(2019)则提出使用多通道自由能的质量评价方法，在图像小波变换域使用稀疏表示和自由能理论提取特征，最后使用支持向量回归(support vector regression, SVR)得到预测质量。
2.1.3 无参考IQA方法(NR-IQA)
无参考方法直接建立图像与MOS之间的映射关系，从根本上解决参考图像的需求问题，在实际生活中具有非常大的应用价值。然而，在缺少参考图像的情况下，无参考方法的设计难度也大大增加。
1) 面向压缩失真的评价方法。早期的无参考方法主要用于压缩失真图像的质量评价。图像压缩过程中的变换操作会丢失图像原有的一些信息，造成图像失真。Wang等人(2002)针对JPEG压缩过程中块边界不连续产生的块效应和模糊，通过计算图像块边界差异的平均值和图像信号强度来评价图像质量。Babu等人(2007)提取边缘幅值、边缘长度、背景活动和背景亮度等信息作为特征映射为最终的质量，以衡量JPEG失真。Marziliano等人(2004)主要针对模糊失真和压缩编码所导致的振铃失真进行衡量。Sheikh等人(2005b)则使用小波变换域的自然场景双状态模型来衡量JPEG2000压缩失真。
除JPEG压缩方法外，其他压缩算法还有很多，但影响主观感知的失真不仅只在压缩过程中产生。因此，通用型的NR-IQA方法逐渐成为研究的重点。
2) 自然图像统计(NSS)。无参考方法中的NSS方法通过对变换域系数分布构建统计模型，并从模型中提取相关特征信息，使用机器学习算法(如：支持向量机)，将MOS作为标签进行监督训练。测试时首先提取测试图像系数分布的特征，再输入进训练模型中映射为质量。Saad等人(2012)提出BLIINDS-II方法，使用DCT系数拟合的函数均值和方差作为频率变化系数，将系数分为若干子带提取特征，最后整合所有特征并使用简单贝叶斯分布来预测质量。金波等人(2012)则通过失真图像对数域的小波系数分布来预测原始图像的小波系数分布，最后量化两种分布之间的差距来衡量图像质量。Fang等人(2015)关注对比度失真所产生的影响，从构建的NSS模型中提取能够反映对比度失真的均值、标准差和熵等5个特征，最后使用SVR将这些特征映射为质量。
上述方法为获得系数分布使用的线性变换极大地增加了模型计算复杂度。为减少计算量，提升计算速度，Mittal等人(2012)提出直接在图像像素域进行处理的BRISQUE方法，通过提取平均去除对比度归一化系数，拟合4个方向邻近系数乘积分布，得到系数特征，使用支持向量机将这些特征映射为质量分数。Mittal等人(2013)提出了完全无参考的自然图像质量评估器NIQE，使用多元高斯模型拟合125幅自然图像的变换系数，并将最终质量表示为失真图像拟合模型和多元高斯模型之间的距离差，整个方法无需训练，速度快且没有MOS的需求。
尽管基于NSS的方法对某些失真有不错的效果，但由于噪声多样性和图像内容复杂性，这些方法还不能有效地对各种失真进行正确表示，从而限制了模型的性能。
2.2 传统的VQA方法
视频作为图像在时间维上排列形成的一种数据，不仅包含图像的空间信息，还包含时间维上连贯的运动信息。因此，其设计主要从以下两部分考虑：1) 空间维上借鉴IQA方法或思路；2) 时间维上运用加权平均或3维处理等方法进行建模。与IQA相同，VQA也可以分为FR、RR和NR共3类。
2.2.1 全参考VQA方法(FR-VQA)
由于FR-IQA中SSIM方法的成功，很多FR-VQA方法直接将基于结构信息的方法扩展到视频域。Wang和Li(2007)计算参考视频与测试视频对应帧的SSIM值，并以运动向量作为权重信息对得到的帧质量分数进行加权平均，获得最终质量。Moorthy和Bovik(2010)提出基于运动补偿方法对时间维质量进行评估，视频帧的空间质量则使用基于结构相似性的算法获得。Seshadrinathan等人(2010)提出将人眼延迟效应作为池化方法去整合帧级的SSIM值。随后又提出了MOVIE方法(Seshadrinathan和Bovik，2010)，分别使用时间和空间维度上的特征向量来评估视频质量。与以上分别对时间和空间提取特征、然后再整合的思想不同，Wang等人(2012)直接在时空域提取结构信息用于质量评价。
基于结构信息的VQA方法着重于空间信息的提取，时间维仅采用池化方法来处理，导致了大量时间信息的丢失。因此，部分研究者基于HVS特性来进行VQA的研究，该类方法基于某种3维变换同时捕捉时间和空间维上的信息作为特征，避免了池化方法简单将质量分数平均而丢失时间信息的问题。Aydin等人(2010)从众多生理学研究中分析了灵长类动物眼球的亮度适应性和视觉通道掩盖机制，提出亮度适应模块、3维时空对比敏感度函数和视觉掩蔽预测，并基于此来解决VQA问题。He等人(2017)则基于HVS具有能量压缩表示的特性，提出使用3维DCT系数提取的信息表示能量压缩特征，系数的均值和方差则用来衡量视频频率的变化，最后计算特征间差异来衡量视频质量。运动信息在视频帧中频繁出现且不断变化，基于此特性可以衡量时间维上的失真。Vu等人(2011)将MAD方法扩展到视频域，提出ST-MAD (spatial temporal MAD)方法，该方法将基于光流得到的运动向量作为权重，对空间特征进行加权映射得到最终的质量。Manasa和Channappayya(2016)则直接量化局部光流统计的退化程度来评估视频的质量。Wang等人(2012)提出基于结构信息扩展的方法，使用3维结构张量同时衡量空间边缘特征和时间运动信息，能够解决图像内容突变所带来的影响。Yan和Mou(2018)则将运动信息分为简单与复杂两部分，使用梯度标准差估计不同复杂程度的运动信息，以此评价视频质量。
2.2.2 半参考VQA方法(RR-VQA)
图像质量评价中半参考方法应用于传输系统，对带宽以及内存要求较高。因此，视频质量评价中RR方法更需要考虑减少高带宽占用问题。Pinson和Wolf(2004)提出一种半参考方法，该方法利用系数选择机制对变换后的小波系数进行处理，最终能够使用较低的带宽保持不错的主观相关性。Gunawan和Ghanbari(2008)对原始图像与参考图像进行处理，得到谐波增益和损耗信息，然后从这些信息中分析视频质量。Zeng和Wang(2010)直接考察复杂小波变换域中的局部相位结构来评价视频质量。Wang等人(2015)研究了HVS的对比度敏感特性后，提出一种时空信息选择机制，以降低所需参考信息率。
一般地，IQA中的自然图像统计方法同样能够扩展至视频域使用。Soundararajan和Bovik(2013)使用高斯纹理尺度模型对帧和帧差的小波系数进行建模，基于系数分布的差异信息计算得到熵差，以此来量化时空失真对视频质量产生的影响。Bampis等人(2017)提出了空间效率熵差质量评价方法(spatial efficient entropic differencing for quality assessment, SpEED-QA)，将帧差块上条件熵差的分布和帧差的差集平均值系数作为特征。Ma等人(2013)对相邻视频帧使用基于块的运动估计，并对处理后的视频帧直方图统计量进行建模，最后基于CBD计算原始视频与参考视频序列直方图之间的距离，获得视频质量。
RR-VQA的另一研究重点为在时间维上整合已提取的空间特征。Le Callet等人(2006)通过时间延迟结构整合频率内容、时间内容和块效应3个感知特征来预测质量。Park等人(2013)发现不同视频帧质量会有很大变化，影响视频的全局质量，从而提出一种自适应池化方法VQPooling去整合视频中每一帧的质量。而Zhu等人(2014)则使用一个由全局线性函数、局部分配模块和质量校准构成的映射模型来预测视频质量。
2.2.3 无参考VQA方法(NR-VQA)
由于缺少原始参考视频，早期无参考方法的设计比较困难，一般用于评估经过压缩后失真的视频的质量。Brandao和Queluz(2010)提出一种衡量H.264/AVC压缩编码失真的方法，分为编码误差估计和编码误差感知加权两个步骤，通过极大似然估计和线性预测的结合来进行参数估计，并将这些参数作为模型的特征来预测质量。李晨昊等人(2019)从H.264编码流中提取参数进行统计分析，以衡量视频内容与运动信息，然后使用神经网络将特征映射为视频质量。宋巍等人(2020)提出针对水下视频质量评价的无参考方法，将帧间特征和视频编码参数输入线性回归模型，进行训练得到视频质量。
除了面向压缩失真方面的研究，NSS方法在无参考视频质量评价中也得到应用。Saad等人(2014)提出一种盲视频质量评价方法VBLIINDS，该方法是IQA方法BLIINDS-II的扩展，它将帧差变换系数拟合模型提取的特征及NIQE方法提取的特征，送入SVR并映射为视频质量。同样是对帧进行处理，Zhu等人(2015)计算图像交流系数和系数块子带的特征，将所有特征整合并输入神经网络，映射得到质量分数。Mittal等人(2016)基于帧差的带通滤波系数进行处理，从该系数中提取特征来预测视频质量。考虑到当邻近两帧所包含的空间失真完全相同时，帧差会抵消这两帧的失真信息，Li等人(2016a)使用3维DCT进行处理，拟合系数的分布来提取形状参数等特征，利用主成分分析对最终的特征信息去除冗余后，使用SVR映射为质量分数。
3 基于深度学习的I/VQA
2012年AlexNet(Alex等，2012)的提出促进了深度学习技术的发展，使其在图像分割、视频理解等众多计算机视觉任务中逐渐占据主流地位。在质量评价任务中，深度学习技术主要应用于NR-I/VQA领域，使无参考方法在实用性和性能上均得到了提升。
3.1 基于深度学习的NR-IQA方法
传统NR-IQA方法通过手工设计特征衡量图像质量。在应用深度学习之后，通过借助MOS进行监督训练、映射特征并得到最终的图像质量。
图像分块作为传统IQA方法广泛使用的一大策略，仍然应用于基于深度学习的方法之中。以图像块为单位进行训练，可以增加特征的丰富性和细节信息。Kang等人(2014)较早采用CNN模型解决IQA问题，通过对图像进行分块处理(如图 3所示)，将每幅图像划分为N个32×32像素大小且无重叠的图像块，给每个块分配一个与原图相同的标签。CNN将图像块视为单独的一幅图像，提取其特征，并将得到的特征映射为质量分数，最后对质量分数进行平均以获得整个图像的质量评价分数。考虑到上述方法的网络结构简单，Kang等人(2015)在此基础上加深了网络结构，将模型从单任务改为多任务，分别预测图像质量和可能存在的失真类别。Fu等人(2016)则在网络中添加非线性转换和归一化，以处理包含多种失真的图像。Bosse等人(2016)根据人眼观察图像时注意力的不同，提出用加权平均来替代简单平均，使用两个全连接层作为网络第2个分支以输出权重信息，这些权重是通过网络学习得到的，能够自适应地调节对不同图像块的注意力。同样考虑视觉感知的不同，Chetouani(2018)直接在网络输入之前进行处理，基于Harel等人(2006)使用的图显著性方法提取显著区域，然后将这些区域划分为图像块，输入进网络进行训练以获得图像质量。He等人(2019)提出VRPON(visual residual perception optimized network)方法，对图像进行多次重叠采样得到大量图像块，提取内容特征和失真特征，使用基于显著图的加权模块对特征进行整合以获得最终质量。朱惠娟等人(2021)利用眼动仪的视点分布图生成基于视觉重要性的权重池模块，对输入图像进行多次滤波，从而得到多尺度图像用于模型训练。
尽管图像分块能够让模型提取更丰富的特征，但后续的监督训练仍需要MOS作为标签，而标定海量数据的MOS需要耗费大量的人力和物力，这给模型的监督训练带来了极大阻碍。为缓解此问题，Liu等人(2017)提出基于图像质量排序进行图像质量评估的RankIQA方法，该方法在不含MOS的图像上添加不同等级失真，利用暹罗网络对上述图像质量进行排序，最后使用具有MOS的数据集对网络进行微调，能够在MOS数量有限的情况下扩增训练数据。Niu等人(2019)同样采用学习质量排序的思想，首先生成图像对，并基于暹罗网络学习排序模型，最后通过将当前测试图像块与其他图像的图像块进行比较，计算该图像块优于其他图像块的次数，获得测试图像的相对质量分数。Chen等人(2021a)对自然图像(源域)和屏幕内容图像(目标域)运用无监督的领域自适应方法，模型中的编码模块同时提取源域特征和排序信息，回归模块则使用基于源域排序信息生成的伪标签来对目标域进行训练。
基于质量排序的方法减少了MOS的使用并对训练数据进行了扩增，这对深度学习方法来说十分关键，使得模型在鲁棒性和性能上均有提升，让研究者们不再约束于常规方法的设计思路，开始尝试一些新思路来设计算法。
自2014年Ian等人(2014)提出生成对抗网络(generative adversarial nets，GAN)以来，由于其在图像生成、图像去噪、图像转换和图像超分辨率等领域的优良表现，不断有研究者开始基于GAN来完成质量评价任务。Ren等人(2017)提出恢复性对抗网络方法RAN4IQA(restorative adversarial net)，其中，网络恢复器用于恢复原始参考图像；鉴别器用于判别是恢复后的图像还是失真图像。Lin和Wang(2018)在失真图像的基础上使用GAN生成一个幻觉图像，将其作为原始参考图像，然后融合两幅图像的特征进行训练来获得图像的质量分数，该方法一定程度上解决了参考图像难以获取的问题。此外，考虑到恢复图像的质量会影响最后评价结果，Ma等人(2020)提出不直接恢复原始图像，而是恢复图像内容的方法，即使用GAN来推导失真图像的内容信息，然后基于多路CNN质量评估模块对失真图像进行评估。
在深度学习模型方面，一些研究者们尝试用更深更复杂的网络模型来解决IQA问题。Li等人(2016b)提出深层网络DeepCNN，基于分类任务对网络进行预训练，然后对参数进行微调以适应质量评价任务。Gao等人(2018)提出BLINDER(blind image quality prediction via multi-level deep representations)方法，使用预训练的VGG16(Visual Geometry Group)网络提取特征来预测质量。Li等人(2018)则使用残差网络ResNet-50来提取内容特征和高层语义特征，将这两种特征映射为质量。Su等人(2020)以自适应超网络(hyper network，HN)为导向，基于HN模块理解图像内容，对质量预测网络进行调整，以适应图像内各种失真。Zhu等人(2020)则使用基于元学习的无参考方法MetaIQA对质量评价模型的学习过程进行学习。
3.2 基于深度学习的NR-VQA方法
深度学习时代的VQA方法注重帧与帧之间的关联及其可能对视觉感知造成的影响，主要分为基于帧处理并融合时序模块的2D CNN与基于视频级处理的3D CNN两类。
与传统VQA方法类似，深度学习下的2D CNN模型也将处理时间和空间信息的模块分别考虑，不同的是，后者额外加入了时序模块对提取的特征进行建模，以加深视频帧之间的关联，最后模型所达到的效果也超越了传统方法。Wang等人(2018)提出COME(convolutional neural network and multi-regression based evaluation)方法使用2D CNN提取帧级特征，同时从视频帧差中提取运动信息作为时间维特征，将这些特征送入多任务回归模型，映射为最终的视频质量。通过将人眼时空视觉感知纳入研究范围，Kim等人(2018)使用CNN和卷积神经聚合网络量化时空视觉感知，并使用基于注意力机制的时间维池化方法捕捉失真在时间维上的变化。Chen等人(2021b)提出对2D CNN提取的空间特征进行深度监督学习，在时间维上利用多层感知器处理不同时间分辨率，后续的通道级自注意和跳跃连接模块将上层的所有特征聚合并输入进最后的映射模块得到质量。
除时间维池化方法作为时序模块外，Li等人(2019)提出了基于循环神经网络(recurrent neural network，RNN)的质量评价方法。该方法考虑了HVS的内容感知特性，将提取的特征送入门控循环单元(RNN的一种)来捕捉失真在时间维上的变化，最后提出时间延迟效应启发的时间维池化方法，对帧级特征进行加权并映射得到整个视频的质量。进一步地，基于上述模型，Li等人(2021)提出了多数据集联合训练的方法。Varga和Szirányi(2019)也提出基于RNN的模型，使用长短期记忆单元来捕捉视频的时间维信息。Shahreza等人(2019)则使用双向长短期记忆单元来构建更强的时间依赖性，充分捕捉视频时间维的特征信息。Agarla等人(2020)分别对视频每一帧的质量属性和语义内容进行编码，最后由RNN来编码特征并进行回归。Chen等人(2020)则使用RNN构建循环时间分辨率模块，每一层RNN单元的输出信息都会被送入前面所有层和本层对应的RNN单元中，能够提取更强的时间依赖性。
基于帧处理的2D CNN模型将视频看做图像的组合，在输入阶段丢失了帧间相关联的时间信息，从而影响了时序模块的有效性。因此，部分研究者提出基于3D CNN的模型对多帧同时进行处理，获得时空特征，同时，时间维上的卷积操作，可以减少时间长度，降低带宽的占用量。Liu等人(2018b)使用3D CNN提取压缩视频的时空特征，利用编码分类器子任务对CNN进行预训练，再结合回归子任务对整个网络进行优化。Yang等人(2018)也使用3D CNN作为基础，不同的是输入阶段将视频在时空上进行切片，使用运动强度作为权重进行质量整合。Feng等人(2021)仅仅将3D CNN作为时间模块以提取时间维的特征信息，空间维则使用2D CNN提取特征来预测质量。除了对普通视频的质量评价外，Wu等人(2019)还使用3D CNN设计算法对虚拟现实视频进行了质量评价。
4 数据集和各算法模型性能比较
4.1 数据集
在质量评价任务中，具有MOS的数据集是客观I/VQA算法实验的基础。用于IQA的人为失真数据集主要有LIVE(laboratory for image & video engineering)(IQA)(Sheikh和Bovik，2006)、CSIQ(categorical subjective image quality database)(Larson和Chandler，2010)、TID2008/2013(Ponomarenko等，2015)和KADID/KADIS(konstanz artificially distorted image quality database/set)(Lin等，2019)等; 自然失真数据集有BID(blurred image database)(Ciancio等，2011)、CID2013(camera image database)(Virtanen等，2015)、LIVE Challenge(Ghadiyaram和Bovik，2015)、KonIQ(konstanz image quality)(Hosu等, 2020)和SPAQ(smartphone photography attribute and quality)(Fang等，2020)，其中后3者的数据规模较大。除了具有基本的MOS信息和图像属性外，SPAQ还包含图像类别和EXIF(exchangeable image file format)信息，是其中最为全面的一个数据集。在VQA任务中，人为失真数据集主要有LIVE(VQA)(Seshadrinathan等，2010)和CSIQ(Vu和Chandler，2014)等; 自然失真数据集有LIVE-Qualcomm(Ghadiyaram等，2018)、CVD2014(camera video database)(Nuutinen等，2016)和KoNViD-1k(konstanz natural video database)(Hosu等，2017)等。上述数据集的详细信息如表 1和表 2所示。
表 1
图像质量评价数据集
Table 1
Image quality assessment datasets
| 数据集 | 参考图像/幅 | 分辨率/像素 | 失真数/种类 | 失真图像/幅 | 失真类型 |
| LIVE IQA | 29 | 512×768 | 5 | 779 | 人为失真 |
| CSIQ | 30 | 512×512 | 6 | 866 | 人为失真 |
| TID2008 | 25 | 384×512 | 17 | 1 700 | 人为失真 |
| TID2013 | 25 | 384×512 | 24 | 3 000 | 人为失真 |
| KADID | 81 | - | 25 | 10 215 | 人为失真 |
| KADIS | 140 000 | - | 25 | 700 000 | 人为失真 |
| KonIQ | - | 1 024×768 | - | 10 073 | 自然失真 |
| BID | - | - | - | 585 | 自然失真 |
| CID2013 | - | 1 600×1 200 | - | 480 | 自然失真 |
| SPAQ | - | - | - | 11 125 | 自然失真 |
| LIVE C | - | 500×500 | - | 1 162 | 自然失真 |
| 注: 最后一行是LIVE Challenge数据集的简写；“-”表示无相应数据。 | |||||
表 2
视频质量评价数据集
Table 2
Video quality assessment datasets
| 数据集 | 参考视频/条 | 分辨率/像素 | 失真数/种类 | 失真视频/条 | 失真类型 |
| LIVE VQA | 10 | - | 4 | 150 | 人为失真 |
| CSIQ Video | 12 | 832×480 | 6 | 216 | 人为失真 |
| LIVE Q | - | 1 920×1 080 | 6 | 208 | 自然失真 |
| CVD2014 | - | 1 280×720 | - | 234 | 自然失真 |
| KoNViD-1k | - | 960×540 | - | 1 200 | 自然失真 |
| 注: 第3个数据集是LIVE Qualcomm数据集的简写；“-”表示无相应数据。 | |||||
4.2 各算法性能比较
主要对上述一些具有代表性的算法模型性能进行评估和分析，为更好地反映模型与主观感知之间的相关性和单调性，采用了斯皮尔曼秩相关系数(Spearman rank order correlation coefficient, SROCC)、皮尔逊线性相关系数(Pearson linear correlation coefficient, PLCC)和均方根误差(root mean squared error, RMSE)的评价指标。SROCC判断预测值与真实值所处等级之间的相关性，即判断二者是否接近，以检验预测是否准确。PLCC通过对两组数据的分布和分布之间的线性距离进行计算，判断预测的准确概率。RMSE计算预测值与真实值之间的偏差，通过偏差反映预测的准确性。实验中传统方法的实验性能从调研的论文中获取，部分具有开源代码的深度学习方法(如CNN方法)是通过重新训练并测试得出性能。
SROCC和PLCC的取值范围是0~1，数值越大代表模型的主观相关性越高，即模型的精度越高。RMSE取值范围没有限制，其值越小代表模型误差越小，模型越精准。
4.2.1 传统IQA模型性能分析
选取11种经典的传统IQA算法，对其模型性能进行比较和分析。这些算法包括PSNR、SSIM、MS-SSIM、FSIM、ESSIM、IW-SSIM、IFC和VIF等。PSNR为早期最为广泛使用的方法；SSIM为公认的极大促进了质量评价领域发展的算法；MS-SSIM、ESSIM和IW-SSIM作为结构信息的典型改进算法，可以说明结构信息的有效性；IFC和VIF作为信息保真度的两种典型方法被引用，以与结构信息的方法进行对比；FSIM说明HVS的有效性, 并同时与前几种方法进行对比；基于自然图像统计的方法选取了BLIINDS-II、BRISQUE和NIQE等3种经典的无参考方法，以便与全参考方法进行对比。
实验主要在早期被广泛认同的LIVE图像数据集(LIVE-IQA)、近几年提出的CISQ数据集和具有丰富失真类型的TID2013数据集上开展，实验结果如表 3所示。
表 3
传统IQA方法在LIVE、CSIQ和TID2013数据集上的性能
Table 3
Performance of traditional IQA methods on LIVE, CSIQ and TID2013 datasets
| 类型 | 算法 | LIVE | CSIQ | TID2013 | ||||||||
| SROCC | PLCC | RMSE | SROCC | PLCC | RMSE | SROCC | PLCC | RMSE | ||||
| FR-IQA | PSNR | 0.863 | 0.859 | 13.367 | 0.806 | 0.800 | 0.158 | 0.687 | 0.675 | 1.137 | ||
| SSIM(Wang等，2004a) | 0.948 | 0.945 | 8.126 | 0.875 | 0.861 | 0.133 | 0.742 | 0.790 | 0.851 | |||
| MSSIM(Wang等，2004b) | 0.944 | 0.943 | 9.095 | 0.914 | 0.900 | 0.114 | 0.786 | 0.820 | 0.711 | |||
| IFC(Sheikh等，2005a) | 0.923 | 0.925 | 6.656 | 0.748 | 0.838 | 0.143 | 0.569 | 0.736 | 0.909 | |||
| VIF(Sheikh等，2006) | 0.963 | 0.960 | 7.673 | 0.919 | 0.928 | 0.098 | 0.750 | 0.809 | 0.789 | |||
| FSIM(Zhang等，2011) | 0.963 | 0.960 | 7.678 | 0.924 | 0.912 | 0.108 | 0.802 | 0.859 | 0.635 | |||
| ESSIM(Zhang等，2013) | 0.961 | 0.963 | - | 0.933 | 0.940 | - | - | - | - | |||
| IW-SSIM(Wang和Li，2011) | 0.957 | 0.952 2 | 8.347 | 0.921 | 0.914 | 0.106 | - | - | - | |||
| NR-IQA | BLIINDS-II(Saad等，2012) | 0.912 | 0.916 | 8.80 | 0.780 | 0.832 | - | 0.536 | 0.628 | - | ||
| BRISUQE(Mittal等，2012) | 0.939 | 0.942 | 9.54 | 0.775 | 0.817 | - | 0.573 | 0.651 | - | |||
| NIQE(Mittal等，2013) | 0.913 | 0.915 | - | 0.821 | 0.865 | - | - | - | - | |||
| 注：加粗字体表示各列最优结果；“-”表示对应文献未给出数据。 | ||||||||||||
从表 3中可以看出，作为最早使用的全参考方法PSNR，其在3个数据集上的SROCC和PLCC值都低于其他全参考方法，这是因为PSNR仅计算像素值之间的差值，不符合主观视觉感知。PSNR的RMSE值也大于其他方法，这说明模型的误差较大。
为改善此问题而提出的SSIM方法假设人类视觉感知受结构信息的影响，与PSNR相比，其在3个数据集上的相关性都有明显的提升，表明结构信息能够有效地表达主观感知。基于SSIM的一系列改进算法MS-SSIM、ESSIM和IW-SSIM在SSIM的基础上进一步提升精度和泛化性，从表 3中可以看出，其性能均有不同程度的提升。而基于HVS设计的FSIM算法参考了SSIM设计思想使用的是梯度和相位一致性结合的特征相似性，在3个数据集上的SROCC、PLCC和RMSE指标都达到了传统算法的最优效果。
基于信息保真度的IFC方法模拟了视觉系统对失真信息的处理，虽然其性能指标要略差于SSIM，但其改进算法VIF在3个数据集上的SROCC、PLCC和RMSE与FSIM算法不相上下。
表 3的最后3行是基于NSS的经典无参考方法的实验结果，从中可以看出NR方法不使用参考图像，与FR方法相比，其在3个数据集上的实验效果都有明显下降。完全无参考方法NIQE与使用MOS做监督训练的BRISQUE和BLIINDS-II方法相比，在性能上不相上下，这证明了自然统计模型的产生不一定需要使用大量的数据做监督训练，无监督的方式也具有很大的前景。
从表 3中还能明显地看出，所有方法在TID2013上的实验效果比在其他两个数据集上的效果差了很多。这是由于早期的传统方法针对特定数据集设计手工特征，其泛化能力受到限制，虽然它们在LIVE上已经达到了性能瓶颈，却仍无法衡量TID2013中的多种失真情况。
4.2.2 基于深度学习的IQA模型性能分析
选取8种基于深度学习的经典算法进行性能分析，这些算法包括CNN、DeepCNN、BLINDER和Hyper-IQA等。选择的原因说明如下：CNN方法为较早使用深度学习的方法；DeepCNN作为随后提出的深度学习方法，与CNN方法进行对比；BLINDER和Hyper-IQA作为近几年较新颖的算法代表；RankIQA则是使用了图像对的质量排序新思想设计的算法；VRPON和HIQA为基于GAN的方法中性能较好的代表。
实验主要在LIVE图像数据集和TID2013数据集上开展，实验结果如表 4所示。较早使用深度学习的NR-IQA方法是CNN，其在LIVE数据集上的SROCC和PLCC均达到了0.95，在TID2013上则均高于0.71，远远超过了传统NR方法NIQE(NIQE的性能如表 3所示)的性能，与SSIM这类FR方法不相上下，展现出了深度学习方法在质量评价领域的巨大潜力。此后基于卷积神经网络设计的VRPON在复杂失真数据集TID2013上的效果较CNN方法有10%的提升。
表 4
基于深度学习的无参考IQA方法在LIVE-IQA和TID2013数据集上的性能
Table 4
Performance of some deep learning-based NR-IQA methods on LIVE-IQA and TID2013 datasets
| 算法 | LIVE-IQA | TID2013 | |||
| SROCC | PLCC | SROCC | PLCC | ||
| CNN(Kang等，2014) | 0.956 | 0.953 | 0.718 | 0.778 | |
| DeepCNN(Li等，2016b) | 0.935 | 0.956 | - | - | |
| Rank-IQA(Liu等，2017) | 0.980 | 0.982 | 0.780 | 0.792 | |
| HIQA(Lin和Wang，2018) | 0.983 | 0.989 | 0.879 | 0.838 | |
| BLINDER(Gao等，2018) | 0.966 | 0.959 | 0.819 | 0.838 | |
| VRPON(He等，2019) | 0.955 | 0.961 | 0.837 | 0.840 | |
| Hyper-IQA(Su等，2020) | 0.983 | 0.966 | 0.903 | 0.910 | |
| RAN4IQA(Ren等，2017) | 0.960 | 0.970 | 0.871 | 0.842 | |
| 注：加粗字体表示各列最优结果；“-”表示对应文献未给出数据。 | |||||
DeepCNN和BLINDER作为对骨干网络进行改进的方法，其性能与CNN相比，除DeepCNN的SROCC指标比CNN的低之外，其他的均有所提升，但提升幅度较小，这说明一般的骨干网络已经足够胜任IQA任务，在骨干网络方面的改进效果不明显。
基于近些年广泛研究的GAN设计的HIQA和RAN4IQA方法，在两个数据集上都具有非常优秀的性能，尤其是在TID2013上，SROCC达到了0.87。之所以能够达到如此高的相关性，是因为利用GAN对失真图像恢复并产生假参考图像，两幅图像之间包含了更加丰富的语义信息以及差异信息。
作为近期提出的算法Hyper-IQA，在LIVE-IQA上SROCC和PLCC指标分别达到了0.98和0.96，而在TID2013数据集上，其SROCC和PLCC都达到了0.9以上。这是因为其采用了内容理解模块及自适应网络模块来学习人眼的感知规则，在表 3和表 4共20个算法中具有更优秀的实验效果，已经超越作为全参考方法中优秀算法之一FSIM的性能，使无参考方法能够在性能上与全参考方法媲美。
4.2.3 VQA模型性能分析
1) 基于LIVE-VQA数据集的分析。选取了10种经典的VQA模型，进行其性能比较和分析。这些模型包括：基于运动信息的FR方法ST-MAD和MOVIE；时空维池化方法VQPooling基于NSS的经典方法；VBLIINDS和Li等人(2016a)；完全无参考方法VIDEO；近些年新兴的深度学习方法COME和Varga和Szirányi(2019)。
由于早期的传统方法大多以LIVE-VQA数据集上的实验为评价标准，因此选用LIVE-VQA作为实验数据集，进行实验结果的评估。
如表 5所示，Wireless代表在传输H.264压缩比特流出错的失真视频上的实验效果；IP代表在无线网络传输错误的失真视频上的实验效果；MPEG-2代表MPEG-2压缩失真视频上的实验效果；H.264代表H.264压缩失真视频上的实验效果；ALL则代表在所有失真类型即整个LIVE-VQA数据集上进行的实验效果。
表 5
LIVE-VQA数据集上的各种VQA方法的性能
Table 5
Performance of various methods on LIVE-VQA dataset
| 算法 | 不同失真类型的SROCC | 不同失真类型的PLCC | |||||||||
| Wireless | IP | MPEG2 | H.264 | ALL | Wireless | IP | MPEG2 | H.264 | ALL | ||
| ST-MAD(Vu等，2011) | 0.806 | 0.768 | 0.904 | 0.847 | 0.824 | 0.812 | 0.790 | 0.909 | 0.842 | 0.830 | |
| MOVIE(Seshadrinathan等，2010) | 0.802 | 0.715 | 0.766 | 0.773 | 0.789 | 0.838 | 0.762 | 0.790 | 0.759 | 0.811 | |
| MOVIE(VQPooling)(Park等，2013) | 0.802 | 0.806 | 0.831 | 0.850 | 0.843 | 0.850 | 0.801 | 0.844 | 0.845 | 0.861 | |
| VBLIINDS(Saad等，2014) | 0.815 | 0.779 | 0.839 | 0.869 | 0.759 | 0.951 | 0.946 | 0.924 | 0.893 | 0.881 | |
| Zhu等人(2015) | - | - | - | - | 0.880 | - | - | - | - | 0.835 | |
| VIIDEO(Mittal等，2016) | 0.532 | 0.612 | 0.674 | 0.556 | 0.624 | 0.625 | 0.737 | 0.692 | 0.631 | 0.651 | |
| Li等人(2016) | 0.815 | 0.826 | 0.912 | 0.961 | 0.782 | 0.939 | 0.964 | 0.951 | 0.976 | 0.891 | |
| Speed-QA(Bampis等，2017) | - | - | - | - | 0.784 | - | - | - | - | 0.774 | |
| COME(Wang等，2018) | 0.833 | 0.771 | 0.881 | 0.857 | 0.821 | 0.917 | 0.913 | 0.933 | 0.929 | 0.852 | |
| Varga和Szirányi(2019) | - | - | - | - | 0.703 | - | - | - | - | 0.691 | |
| 注：加粗字体表示最优结果；“-”表示对应文献未给出数据。 | |||||||||||
MOVIE和ST-MAD作为基于运动信息的全参考方法，从表 5上看其SROCC和PLCC都达到0.78以上。这表明运动信息是有效的，但仍有较大的提升空间。从理论上看，研究者们期望基于相应IQA算法延展的VQA算法也能达到同样优秀的性能，但事实并非如此。如表 5所示，基于IQA方法BLIINDS-II设计的VBLIINDS方法，其在LIVE-VQA数据集上的SROCC和PLCC分别只有0.75和0.88，而BLIINDS-II在LIVE-IQA数据集上的SROCC和PLCC都能够达到0.91，由此可以看出，基于IQA延展的VQA方法其性能出现了很大的下降。这也说明，视频的时间维信息丢失是影响质量评价的重要因素之一。基于此，出现了一些重点考虑时间维整合信息的方法，如VQPooling方法，将其应用在MOVIE，在LIVE-VQA数据集上的SROCC上达到了0.84，与不使用VQPooling的MOVIE方法相比较，性能有了5%的提升。同时Zhu等人(2015)提出的时间维整合信息的算法也有不错的性能，其SROCC和PLCC分别为0.88与0.83，高于使用VQPooling模块的MOVIE方法。
完全无参考方法VIIDEO在LIVE-VQA上的SROCC只有0.62，这说明完全无参考方法在视频上的效果尚有待提高，这是由于时间维的变化信息给完全无参考的结果带来了无法预估的误差，也是目前VQA算法的难点所在。
从表 5中可以看出，Li等人(2016b)的方法在针对4种失真分别评价时具有非常好的效果，其SROCC和PLCC指标均高于其他方法；在对4种失真同时进行评价时，PLCC指标也是最高的，然而，其SROCC指标却有明显下降，仅高于VIIDEO及Varga和Szirányi(2019)的方法。这可能是由于算法中使用的拟合函数在受到某种失真影响时其分布产生了变化，但在遭受另一种失真时，上述失真所产生的影响被当前失真产生的影响所抵消，此时算法对于这两种失真评价效果就会减弱，导致整体性能有明显下降。
随着深度学习方法在IQA中的成功应用，VQA任务中也不断有基于深度学习的方法出现，COME方法的SROCC和PLCC指标都达到了0.8以上，说明深度学习方法在VQA中是有效的。但Varga和Szirányi(2019)的方法却只达到了0.7，这是由于该方法本是针对自然失真数据集设计，并使用自然失真数据集对骨干网络进行了预训练。这也显现出深度学习方法的一大问题：算法的最终实验结果受训练集数据的影响。
2) 基于KoNViD-1k和LIVE-Qualcomm的分析。随着VQA任务的发展，基于LIVE-VQA数据集设计的算法已经无法满足VQA的需求，因此研究者们提出了更具挑战性的自然失真数据集。本节则是基于LIVE-Qualcomm和KoNViD-1k两个应用较多的数据集进行算法性能的评价。评价的模型包括：传统的VQA方法VBLIINDS和VIIDEO；创新使用RNN相关模块设计的算法(Li等，2019；Varga和Szirányi，2019；Agarla等，2020)。
如表 6所示，在自然失真数据集上，传统方法VBLIINDS和VIIDEO的效果都非常差。VBLIINDS在两个数据集上的SROCC和PLCC均为0.5~0.7，而RMSE的差别很大，说明模型的精度不稳定；VIIDEO方法则基本无法对视频的质量做出有效评价。上述结果表明，算法中手工设计的特征难以捕捉视频中的自然失真。基于深度学习的VSFA、Varga和Szirányi(2019)以及Agarla等人(2020)的方法都达到不错的效果，在两个数据集上的SROCC和PLCC都在0.7之上。
表 6
KoNViD-1k和LIVE-Qualcomm数据集上的一些经典VQA方法性能
Table 6
Performance of some classical VQA methods on KoNViD-1k and LIVE-Qualcomm datasets
| 算法 | 数据集 | ||||||
| KoNViD-1k | LIVE-Qualcomm | ||||||
| SROCC | PLCC | RMSE | SROCC | PLCC | RMSE | ||
| VBLIINDS(Saad等，2014) | 0.600 | 0.591 | 0.493 | 0.560 | 0.686 | 9.005 | |
| VIIDEO(Mittal等，2016) | 0.298 | 0.303 | 0.610 | 0.127 | 0.101 | 12.308 | |
| VSFA(Li等，2019) | 0.755 | 0.744 | 0.469 | 0.737 | 0.732 | 8.863 | |
| Varga和Szirányi(2019) | 0.849 | 0.867 | - | - | - | - | |
| Agarla等人(2020) | 0.810 | 0.810 | 0.391 | 0.740 | 0.772 | 7.931 | |
| 注：加粗字体表示各列最优结果；“-”表示对应文献未给出数据。 | |||||||
上述实验结果表明，无论是针对人为失真还是自然失真，网络自适应提取的特征能够有效地表示失真信息，但最终的实验效果仍有很大提升空间。
4.3 小结
从前面的实验分析中，可以得出如下结论：
1) 从方法上看，早期传统方法手工设计的特征在人为失真数据集上相关性较好，但在复杂失真数据集或自然失真数据集上则效果较差。
2) 从实验性能上看，深度学习方法更有希望解决NR方法在自然失真数据集上性能差的问题。
3) 从整个质量评价任务看，VQA领域的研究尚不够成熟，仍需注重性能上的提升，而IQA领域则更注重解决一些算法实用性上的问题。
5 思考与展望
传统I/VQA方法从结构信息、模拟人类视觉原理和自然图像统计等方面开展研究，提出了很多非常优秀的算法。然而，传统I/VQA方法主要针对某类失真进行特征设计，其泛化性受到限制。随着深度学习的发展，学习特征能力的增强，更多优秀的无参考方法被陆续提出，性能上也逐渐超越了传统的全参考方法，在缓解原始参考数据缺乏及带来带宽增大等难题的同时，进一步推动了NR-I/VQA方法的发展。
目前，I/VQA领域仍然面临如下问题和挑战：
1) I/VQA模型的实际应用问题。无论是传统方法还是深度学习方法，无论是FR还是NR方法，目前大多数的研究都集中在主观相关性的问题上。然而，在实际应用中，如：H.264/AVC压缩编码、图像增强和图像超分辨率重建，仍然使用较早的PSNR方法来衡量图像/视频的质量。现有的一些I/VQA算法仍然难以得到应用，这说明当前质量评价任务的相关研究仍局限于理论，其实际应用仍面临挑战。
2) 模型的泛化性问题。虽然目前很多I/VQA算法已经达到了很好的性能，然而，它们都局限于评估此算法的数据集，很多算法仅仅在单一数据集上性能较高，在其他数据集上却难以达到同样的效果。虽然随着深度学习技术的发展，数据集规模和失真类型的增加，模型的泛化性有了进一步的增强，然而，现实生活中存在的失真类型种类繁多，要想使算法能同时适合对不同失真的评价，仍然面临很大的困难。
3) 模型的效率问题。实际场景中只有模型的性能高且计算量足够小时才能得到应用。FR和RR方法虽然均达到较好的性能，但由于参考数据不易获取，限制了这些方法的使用。NR方法虽然不需要原始参考数据，但传统NR方法的性能较差，而基于深度学习的NR方法，由于其包含一些复杂的网络结构，参数量较大，尤其是使用3D CNN和VGG等参数较多的网络时。因此，如何提升I/VQA模型的效率，仍然值得思考。
未来若干年，基于深度学习的NR方法仍然会是质量评价领域的主流。如何利用深度学习技术为NR设计出更鲁棒、性能更优越的算法，以适应不同失真类型及不同场景内容，仍然有待进一步探索。
6 结语
本文从FR、RR和NR出发，对传统和基于深度学习的I/VQA进行了综述，通过对各种方法的分析，介绍了I/VQA领域的发展历程。同时，在LIVE-I/VQA、TID2013和KoNViD-1k等经典数据集上对各种经典算法的性能进行了比较和分析，并针对当前I/VQA领域尚存在的挑战进行了思考和展望。
无论是传统的方法还是基于深度学习的I/VQA方法，其在速度和性能方面都有各自的特点，适合不同的应用场景。传统方法由于参数量少、硬件要求低，主要应用于对速度有较高要求的场景。而基于深度学习的方法评价精度高，但计算量大，主要适用于追求精度的场景。各种I/VQA方法在模拟人类感知时尚存在较大差距，实际情况中可以根据不同需求进行选择，以达到最优的效果。
参考文献
-
Agarla M, Celona L, Schettini R. 2020. No-reference quality assessment of in-capture distorted videos. Journal of Imaging, 6(8): #74 [DOI:10.3390/jimaging6080074]
-
Alex K, Ilya S, Geoffrey E. H.. 2012. ImageNet classification with deep convolutional neural networks. Communication of the ACM, 60(6): 84-90 [DOI:10.1145/3065386]
-
Aydin T O, Čadík M, Myszkowski K, Seidel H P. 2010. Video quality assessment for computer graphics applications. ACM Transactions on Graphics, 29(6): #161 [DOI:10.1145/1882261.1866187]
-
Babu R V, Suresh S, Perkis A. 2007. No-reference JPEG-image quality assessment using GAP-RBF. Signal Processing, 87(6): 1493-1503 [DOI:10.1016/j.sigpro.2006.12.014]
-
Bampis C G, Gupta P, Soundararajan R, Bovik A C. 2017. SpEED-QA: spatial efficient entropic differencing for image and video quality. IEEE Signal Processing Letters, 24(9): 1333-1337 [DOI:10.1109/LSP.2017.2726542]
-
Bosse S, Maniry D, Wiegand T and Samek W. 2016. A deep neural network for image quality assessment//Proceedings of 2016 IEEE International Conference on Image Processing (ICIP). Phoenix, USA: IEEE: 3773-3777 [DOI: 10.1109/ICIP.2016.7533065]
-
Brandao T, Queluz M P. 2010. No-reference quality assessment of H.264/AVC encoded video. IEEE Transactions on Circuits and Systems for Video Technology, 20(11): 1437-1447 [DOI:10.1109/TCSVT.2010.2077474]
-
Chandler D M. 2013. Seven challenges in image quality assessment: past, present, and future research. International Scholarly Research Notices, 2013: #905685 [DOI:10.1155/2013/905685]
-
Chen B L, Li H L, Fan H F, Wang S Q. 2021a. No-reference screen content image quality assessment with unsupervised domain adaptation. IEEE Transactions on Image Processing, 30: 5463-5476 [DOI:10.1109/TIP.2021.3084750]
-
Chen G H, Yang C L and Xie S L. 2006. Gradient-based structural similarity for image quality assessment//Proceedings of 2006 International Conference on Image Processing. Atlanta, USA: IEEE: 2929-2932 [DOI: 10.1109/ICIP.2006.313132]
-
Chen P F, Li L D, Ma L, Wu J J and Shi G M. 2020. RIRNet: recurrent-in-recurrent network for video quality assessment//Proceedings of the 28th ACM International Conference on Multimedia. New York, USA: ACM: 834-842 [DOI: 10.1145/3394171.3413717]
-
Chen P F, Li L D, Wu J J, Zhang Y B, Lin W S. 2021b. Temporal reasoning guided QoE evaluation for mobile live video broadcasting. IEEE Transactions on Image Processing, 30: 3279-3292 [DOI:10.1109/tip.2021.3060255]
-
Chetouani A. 2018. Convolutional neural network and saliency selection for blind image quality assessment//Proceedings of the 25th IEEE International Conference on Image Processing (ICIP). Athens, Greece: IEEE: 2835-2839 [DOI: 10.1109/icip.2018.8451654]
-
Ciancio A, Da Costa A L N T T, Da Silva E A B, Said A, Samadani R, Obrador P. 2011. No-reference blur assessment of digital pictures based on multifeature classifiers. IEEE Transactions on Image Processing, 20(1): 64-75 [DOI:10.1109/TIP.2010.2053549]
-
Fang Y M, Ma K D, Wang Z, Lin W S, Fang Z J, Zhai G T. 2015. No-reference quality assessment of contrast-distorted images based on natural scene statistics. IEEE Signal Processing Letters, 22(7): 838-842 [DOI:10.1109/LSP.2014.2372333]
-
Fang Y M, Sui X J, Yan J B, Liu X L, Huang L P. 2021. Progress in no-reference image quality assessment. Journal of Image and Graphics, 26(2): 265-286 (方玉明, 眭相杰, 鄢杰斌, 刘学林, 黄丽萍. 2021. 无参考图像质量评价研究进展. 中国图象图形学报, 26(2): 265-286) [DOI:10.11834/jig.200274]
-
Fang Y M, Zhu H W, Zeng Y, Ma K D and Wang Z. 2020. Perceptual quality assessment of smartphone photography//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle, USA: IEEE: 3674-3683 [DOI: 10.1109/CVPR42600.2020.00373]
-
Feng Y J, Li S M and Chang Y L 2021. Multi-scale feature-guided stereoscopic video quality assessment based on 3d convolutional neural network//Proceedings of 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Toronto, Canada: IEEE: 2095-2099 [DOI: 10.1109/ICASSP39728.2021.9414231]
-
Fu J, Wang H L and Zuo L X. 2016. Blind image quality assessment for multiply distorted images via convolutional neural networks//Proceedings of 2016 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Shanghai, China: IEEE: 1075-1079 [DOI: 10.1109/icassp.2016.7471841]
-
Gao F, Yu J, Zhu S G, Huang Q M, Tian Q. 2018. Blind image quality prediction by exploiting multi-level deep representations. Pattern Recognition, 81: 432-442 [DOI:10.1016/j.patcog.2018.04.016]
-
Gao M J, Dang H S, Wei L L, Wang H L, Zhang X D. 2020. Combining global and local variation for image quality assessment. Acta Automatica Sinica, 46(12): 2662-2671 (高敏娟, 党宏社, 魏立力, 王海龙, 张选德. 2020. 结合全局与局部变化的图像质量评价. 自动化学报, 46(12): 2662-2671) [DOI:10.16383/j.aas.c190697]
-
Ghadiyaram D and Bovik A C. 2015. LIVE in the wild image quality challenge database[DB/OL]. [2021-05-27]. http://live.ece.utexas.edu/research/ChallengeDB/index.html.
-
Ghadiyaram D, Pan J, Bovik A C, Moorthy A K, Panda P, Yang K C. 2018. In-capture mobile video distortions: a study of subjective behavior and objective algorithms. IEEE Transactions on Circuits and Systems for Video Technology, 28(9): 2061-2077 [DOI:10.1109/TCSVT.2017.2707479]
-
Gunawan I P, Ghanbari M. 2008. Reduced-reference video quality assessment using discriminative local harmonic strength with motion consideration. IEEE Transactions on Circuits and Systems for Video Technology, 18(1): 71-83 [DOI:10.1109/TCSVT.2007.913755]
-
Harel J, Koch C and Perona P. 2006. Graph-based visual saliency//Proceedings of the 19th International Conference on Neural Information Processing Systems (NIPS). Vancouver, Canada: NIPS: 545-552 [DOI: 10.5555/2976456.2976525]
-
He L H, Lu W, Jia C C, Hao L. 2017. Video quality assessment by compact representation of energy in 3D-DCT domain. Neurocomputing, 269: 108-116 [DOI:10.1016/j.neucom.2016.08.143]
-
He L H, Zhong Y Z, Lu W, Gao X B. 2019. A visual residual perception optimized network for blind image quality assessment. IEEE Access, 7: 176087-176098 [DOI:10.1109/access.2019.2957292]
-
Hosu V, Hahn F, Jenadeleh M, Lin H, Men H, Szirányi T, Li S J and Saupe D. 2017. The konstanz natural video database (KoNViD-1k)//Proceedings of the 9th International Conference on Quality of Multimedia Experience (QoMEX). Erfurt, Germany: IEEE: 1-6 [DOI: 10.1109/QoMEX.2017.7965673]
-
Hosu V, Lin H H, Sziranyi T, Saupe D. 2020. KonIQ-10k: an ecologically valid database for deep learning of blind image quality assessment. IEEE Transactions on Image Processing, 29: 4041-4056 [DOI:10.1109/TIP.2020.2967829]
-
Ian J G, Jean P A, Mehdi M, Bing X, David W F, Sherjil O, Aaron C and Yoshua B. 2014. Generative Adversarial Nets//Proceedings of Advances in Neural Information Processing Systems. Montreal, Canada: NIPS 2672-2680[DOI: 10.1109/NIPS.1406.2661]
-
Jin B, Li C F, Wu X J. 2012. No-reference image quality assessment based on natural scene statistics and wavelet. Journal of Image and Graphics, 17(1): 33-39 (金波, 李朝锋, 吴小俊. 2012. 结合NSS和小波变换的无参考图像质量评价. 中国图象图形学报, 17(1): 33-39) [DOI:10.11834/jig.20120105]
-
Kang L, Ye P, Li Y and Doermann D. 2014. Convolutional neural networks for no-reference image quality assessment//Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus, USA: IEEE: 1733-1740 [DOI: 10.1109/CVPR.2014.224]
-
Kang L, Ye P, Li Y and Doermann D. 2015. Simultaneous estimation of image quality and distortion via multi-task convolutional neural networks//Proceedings of 2015 IEEE International Conference on Image Processing (ICIP). Quebec City, Canada: IEEE: 2791-2795 [DOI: 10.1109/ICIP.2015.7351311]
-
Kim W, Kim J, Ahn S, Kim J and Lee S. 2018. Deep video quality assessor: from spatio-temporal visual sensitivity to a convolutional neural aggregation network//Proceedings of the 15th European Conference on Computer Vision (ECCV). Munich, Germany: Springer: 224-241 [DOI: 10.1007/978-3-030-01246-5_14]
-
Larson E C, Chandler D M. 2010. Most apparent distortion: full-reference image quality assessment and the role of strategy. Journal of Electronic Imaging, 19(1): #011006 [DOI:10.1117/1.3267105]
-
Le Callet P, Viard-Gaudin C, Barba D. 2006. A convolutional neural network approach for objective video quality assessment. IEEE Transactions on Neural Networks, 17(5): 1316-1327 [DOI:10.1109/TNN.2006.879766]
-
Li C F and Bovik A C. 2009. Three-component weighted structural similarity index//Proceedings of the SPIE 7242, Image Quality and System Performance VI. San Jose, USA: SPIE: 72420Q [DOI: 10.1117/12.811821]
-
Li C H, Zhuo L, Li J F. 2019. Content-based H. 264 non-reference video quality evaluation model. Measurement and Control Technology, 38(1): 106-110, 135 (李晨昊, 卓力, 李嘉锋. 2019. 基于内容的H. 264无参考视频质量评价模型. 测控技术, 38(1): 106-110, 135) [DOI:10.19708/j.ckjs.2019.01.023]
-
Li D Q, Jiang T T and Jiang M. 2018. Exploiting high-level semantics for no-reference image quality assessment of realistic blur images//Proceedings of the 25th ACM International Conference on Multimedia. Mountain View, USA: ACM: 378-386 [DOI: 10.1145/3123266.3123322]
-
Li D Q, Jiang T T and Jiang M. 2019. Quality assessment of in-the-wild videos//Proceedings of the 27th ACM International Conference on Multimedia. Nice, France: ACM: 2351-2359 [DOI: 10.1145/3343031.3351028]
-
Li D Q, Jiang T T, Jiang M. 2021. Unified quality assessment of in-the-wild videos with mixed datasets training. International Journal of Computer Vision, 129(4): 1238-1257 [DOI:10.1007/s11263-020-01408-w]
-
Li Q, Wang Z. 2009. Reduced-reference image quality assessment using divisive normalization-based image representation. IEEE Journal of Selected Topics in Signal Processing, 3(2): 202-211 [DOI:10.1109/JSTSP.2009.2014497]
-
Li X L, Guo Q, Lu X Q. 2016a. Spatiotemporal statistics for video quality assessment. IEEE Transactions on Image Processing, 25(7): 3329-3342 [DOI:10.1109/TIP.2016.2568752]
-
Li Y M, Po L M, Feng L T and Yuan F. 2016b. No-reference image quality assessment with deep convolutional neural networks//Proceedings of 2016 IEEE International Conference on Digital Signal Processing (DSP). Beijing, China: IEEE: 685-689 [DOI: 10.1109/ICDSP.2016.7868646]
-
Lin H H, Hosu V and Saupe D. 2019. KADID-10k: a large-scale artificially distorted IQA database//Proceedings of the 11th International Conference on Quality of Multimedia Experience (QoMEX). Berlin, Germany: IEEE: 1-3 [DOI: 10.1109/QoMEX.2019.8743252]
-
Lin K Y and Wang G X. 2018. Hallucinated-IQA: no-reference image quality assessment via adversarial learning//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, America: IEEE: 732-741 [DOI: 10.1109/CVPR.2018.00083]
-
Liu W T, Duanmu Z F and Wang Z. 2018b. End-to-end blind quality assessment of compressed videos using deep neural networks//Proceedings of the 26th ACM international conference on Multimedia. Seoul, Korea(South): ACM: 546-554 [DOI: 10.1145/3240508.3240643]
-
Liu X L, Van De Weijer J and Bagdanov A D. 2017. RankIQA: learning from rankings for no-reference image quality assessment//Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV). Venice, Italy: IEEE: 1040-1049 [DOI: 10.1109/ICCV.2017.118]
-
Liu Y T, Zhai G T, Gu K, Liu X M, Zhao D B, Gao W. 2018a. Reduced-reference image quality assessment in free-energy principle and sparse representation. IEEE Transactions on Multimedia, 20(2): 379-391 [DOI:10.1109/tmm.2017.2729020]
-
Ma J P, Wu J J, Li L D, Dong W S and Xie X M. 2020. Active inference of GAN for no-reference image quality assessment//Proceedings of 2020 IEEE International Conference on Multimedia and Expo (ICME). London, UK: IEEE: 1-6 [DOI: 10.1109/ICME46284.2020.9102895]
-
Ma L, Li S N, Zhang F, Ngan K N. 2011. Reduced-reference image quality assessment using reorganized DCT-based image representation. IEEE Transactions on Multimedia, 13(4): 824-829 [DOI:10.1109/TMM.2011.2109701]
-
Ma L, Ngan K N and Xu L. 2013. Reduced reference video quality assessment based on spatial HVS mutual masking and temporal motion estimation//Proceedings of 2013 IEEE International Conference on Multimedia and Expo (ICME). San Jose, America: IEEE: 1-6 [DOI: 10.1109/ICME.2013.6607611]
-
Manasa K, Channappayya S S. 2016. An optical flow-based full reference video quality assessment algorithm. IEEE Transactions on Image Processing, 25(6): 2480-2492 [DOI:10.1109/TIP.2016.2548247]
-
Marziliano P, Dufaux F, Winkler S, Ebrahimi T. 2004. Perceptual blur and ringing metrics: application to JPEG2000. Signal Processing: Image Communication, 19(2): 163-172 [DOI:10.1016/j.image.2003.08.003]
-
Mittal A, Moorthy A K, Bovik A C. 2012. No-reference image quality assessment in the spatial domain. IEEE Transactions on Image Processing, 21(12): 4695-4708 [DOI:10.1109/TIP.2012.2214050]
-
Mittal A, Saad M A, Bovik A C. 2016. A completely blind video integrity oracle. IEEE Transactions on Image Processing, 25(1): 289-300 [DOI:10.1109/TIP.2015.2502725]
-
Mittal A, Soundararajan R, Bovik A C. 2013. Making a "completely blind" image quality analyzer. IEEE Signal Processing Letters, 20(3): 209-212 [DOI:10.1109/LSP.2012.2227726]
-
Moorthy A K, Bovik A C. 2010. Efficient video quality assessment along temporal trajectories. IEEE Transactions on Circuits and Systems for Video Technology, 20(11): 1653-1658 [DOI:10.1109/TCSVT.2010.2087470]
-
Ninassi A, Le Meur O, Le Callet P and Barba D. 2007. Does where you gaze on an image affect your perception of quality? Applying visual attention to image quality metric//Proceedings of 2007 IEEE International Conference on Image Processing. San Antonio, America: IEEE: II-169-II-172 [DOI: 10.1109/ICIP.2007.4379119]
-
Niu Y Z, Huang D, Shi Y Q, Ke X. 2019. Siamese-network-based learning to rank for no-reference 2D and 3D image quality assessment. IEEE Access, 7: 101583-101595 [DOI:10.1109/access.2019.2930707]
-
Nuutinen M, Virtanen T, Vaahteranoksa M, Vuori T, Oittinen P, Häkkinen J. 2016. CVD2014—a database for evaluating no-reference video quality assessment algorithms. IEEE Transactions on Image Processing, 25(7): 3073-3086 [DOI:10.1109/TIP.2016.2562513]
-
Park J, Seshadrinathan K, Lee S, Bovik A C. 2013. Video quality pooling adaptive to perceptual distortion severity. IEEE Transactions on Image Processing, 22(2): 610-620 [DOI:10.1109/TIP.2012.2219551]
-
Pinson M H, Wolf S. 2004. A new standardized method for objectively measuring video quality. IEEE Transactions on Broadcasting, 50(2): 312-322 [DOI:10.1109/TBC.2004.834028]
-
Ponomarenko N, Jin L N, Ieremeiev O, Lukin V, Egiazarian K, Astola J, Vozel B, Chehdi K, Carli M, Battisti F, Kuo C C J. 2015. Image database TID2013: peculiarities, results and perspectives. Signal Processing: Image Communication, 30: 57-77 [DOI:10.1016/j.image.2014.10.009]
-
Ren H Y, Chen D Q and Wang Y Z. 2017. RAN4IQA: restorative adversarial nets for no-reference image quality assessment//Proceedings of the 32nd AAAI Conference on Artificial Intelligence. New Orleans, America: AAAI: 7308-7314
-
Saad M A, Bovik A C, Charrier C. 2012. Blind image quality assessment: a natural scene statistics approach in the DCT domain. IEEE Transactions on Image Processing, 21(8): 3339-3352 [DOI:10.1109/TIP.2012.2191563]
-
Saad M A, Bovik A C, Charrier C. 2014. Blind prediction of natural video quality. IEEE Transactions on Image Processing, 23(3): 1352-1365 [DOI:10.1109/TIP.2014.2299154]
-
Seshadrinathan K, Bovik A C. 2010. Motion tuned spatio-temporal quality assessment of natural videos. IEEE Transactions on Image Processing, 19(2): 335-350 [DOI:10.1109/TIP.2009.2034992]
-
Seshadrinathan K, Soundararajan R, Bovik A C and Cormack L K. 2010. A subjective study to evaluate video quality assessment algorithms//Proceedings of SPIE 7527, Human Vision and Electronic Imaging XV. San Jose, America: SPIE: 75270H [DOI: 10.1117/12.845382]
-
Shahreza H O, Amini A and Behroozi H. 2019. No-reference video quality assessment using recurrent neural networks//Proceedings of the 5th Iranian Conference on Signal Processing and Intelligent Systems (ICSPIS). Shahrood, Iran: IEEE: 1-5 [DOI: 10.1109/icspis48872.2019.9066015]
-
Sheikh H R, Bovik A C. 2006. Image information and visual quality. IEEE Transactions on Image Processing, 15(2): 430-444 [DOI:10.1109/TIP.2005.859378]
-
Sheikh H R, Bovik A C, Cormack L. 2005b. No-reference quality assessment using natural scene statistics: JPEG2000. IEEE Transactions on Image Processing, 14(11): 1918-1927 [DOI:10.1109/TIP.2005.854492]
-
Sheikh H R, Bovik A C, De Veciana G. 2005a. An information fidelity criterion for image quality assessment using natural scene statistics. IEEE Transactions on Image Processing, 14(12): 2117-2128 [DOI:10.1109/TIP.2005.859389]
-
Sheikh H R, Wang Z, Cormack L and Bovik A C. 2006. LIVE image quality assessment database release 2[DB/OL]. [2021-04-08]. http://live.ece.utexas.edu/research/Quality/subjective.htm.
-
Song W, Liu S M, Huang D M, Wang W J, Wang J. 2020. Non-reference underwater video quality assessment method for small size samples. Journal of Image and Graphics, 25(9): 1787-1799 (宋巍, 刘诗梦, 黄冬梅, 王文娟, 王建. 2020. 适用小样本的无参考水下视频质量评价方法. 中国图象图形学报, 25(9): 1787-1799) [DOI:10.11834/jig.200025]
-
Soundararajan R, Bovik A C. 2013. Video quality assessment by reduced reference spatio-temporal entropic differencing. IEEE Transactions on Circuits and Systems for Video Technology, 23(4): 684-694 [DOI:10.1109/TCSVT.2012.2214933]
-
Su S L, Yan Q S, Zhu Y, Zhang C, Ge X, Sun J Q and Zhang Y N. 2020. Blindly assess image quality in the wild guided by a self-adaptive hyper network//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle, America: IEEE: 3664-3673 [DOI: 10.1109/CVPR42600.2020.00372]
-
Varga D, Szirányi T. 2019. No-reference video quality assessment via pretrained CNN and LSTM networks. Signal, Image and Video Processing, 13(8): 1569-1576 [DOI:10.1007/s11760-019-01510-8]
-
Virtanen T, Nuutinen M, Vaahteranoksa M, Oittinen P, Häkkinen J. 2015. CID2013: a database for evaluating no-reference image quality assessment algorithms. IEEE Transactions on Image Processing, 24(1): 390-402 [DOI:10.1109/TIP.2014.2378061]
-
Vu P V, Vu C T and Chandler D M. 2011. A spatiotemporal most-apparent-distortion model for video quality assessment//Proceedings of the 18th IEEE International Conference on Image Processing. Brussels: IEEE: 2505-2508 [DOI: 10.1109/ICIP.2011.6116171]
-
Vu V P, Chandler D M. 2014. ViS3: an algorithm for video quality assessment via analysis of spatial and spatiotemporal slices. Journal of Electronic Imaging, 23(1) [DOI:10.1117/1.JEI.23.1.013016]
-
C F, Su L and Zhang W G, 2018. COME for no-reference video quality assessment//Proceedings of 2018 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR). Miami, USA: IEEE: 232-237 [DOI: 10.1109/MIPR.2018.00056]
-
Wang M M, Zhang F and Agrafiotis D. 2015. A very low complexity reduced reference video quality metric based on spatio-temporal information selection//Proceedings of 2015 IEEE International Conference on Image Processing (ICIP). Quebec, Canada: IEEE: 571-575 [DOI: 10.1109/ICIP.2015.7350863]
-
Wang Y, Jiang T T, Ma S W, Gao W. 2012. Novel spatio-temporal structural information based video quality metric. IEEE Transactions on Circuits and Systems for Video Technology, 22(7): 989-998 [DOI:10.1109/TCSVT.2012.2186745]
-
Wang Z, Bovik A C, Sheikh H R, Simoncelli E P. 2004a. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4): 600-612 [DOI:10.1109/TIP.2003.819861]
-
Wang Z, Li Q. 2007. Video quality assessment using a statistical model of human visual speed perception. Journal of the Optical Society of America A, 24(12) [DOI:10.1364/JOSAA.24.000B61]
-
Wang Z, Li Q. 2011. Information content weighting for perceptual image quality assessment. IEEE Transactions on Image Processing, 20(5): 1185-1198 [DOI:10.1109/TIP.2010.2092435]
-
Wang Z, Sheikh H R and Bovik A C. 2002. No-reference perceptual quality assessment of JPEG compressed images//Proceedings of International Conference on Image Processing. Rochester, America: IEEE: 1 [DOI: 10.1109/ICIP.2002.1038064]
-
Wang Z, Simoncelli E P and Bovik A C. 2004b. Multiscale structural similarity for image quality assessment//Proceedings of the 37th Asilomar Conference on Signals, Systems and Computers. Pacific Grove, USA: IEEE: 1398-1402 [DOI: 10.1109/ACSSC.2003.1292216]
-
Wang Z, Wu G X, Sheikh H R, Simoncelli E P, Yang E H, Bovik A C. 2006. Quality-aware images. IEEE Transactions on Image Processing, 15(6): 1680-1689 [DOI:10.1109/TIP.2005.864165]
-
Wu P, Ding W X, You Z X and An P. 2019. Virtual reality video quality assessment based on 3d convolutional neural networks//Proceedings of the 26th IEEE International Conference on Image Processing (ICIP). Taipei, China: IEEE: 3187-3191 [DOI: 10.1109/icip.2019.8803023]
-
Xue W F and Mou X Q. 2010. Reduced reference image quality assessment based on Weibull statistics//Proceedings of the 2nd International Workshop on Quality of Multimedia Experience (QoMEX). Trondheim, Norway: IEEE: 1-6 [DOI: 10.1109/QOMEX.2010.5518131]
-
Yan P, Mou X Q. 2018. Video quality assessment based on motion structure partition similarity of spatiotemporal slice images. Journal of Electronic Imaging, 27(3): #033019 [DOI:10.1117/1.JEI.27.3.033019]
-
Yang J C, Liu T L, Jiang B, Song H B, Lu W. 2018. 3D panoramic virtual reality video quality assessment based on 3D convolutional neural networks. IEEE Access, 6: 38669-38682 [DOI:10.1109/access.2018.2854922]
-
Zeng K and Wang Z. 2010. Temporal motion smoothness measurement for reduced-reference video quality assessment//Proceedings of 2010 IEEE International Conference on Acoustics, Speech and Signal Processing. Dallas, America: IEEE: 1010-1013 [DOI: 10.1109/ICASSP.2010.5495316]
-
Zhai G T, Min X K. 2020. Perceptual image quality assessment: a survey. Science China Information Sciences, 63(11): #211301 [DOI:10.1007/s11432-019-2757-1]
-
Zhai G T, Wu X L, Yang X K, Lin W S, Zhang W J. 2012. A psychovisual quality metric in free-energy principle. IEEE Transactions on Image Processing, 21(1): 41-52 [DOI:10.1109/TIP.2011.2161092]
-
Zhang L, Zhang L, Mou X Q, Zhang D. 2011. FSIM: a feature similarity index for image quality assessment. IEEE Transactions on Image Processing, 20(8): 2378-2386 [DOI:10.1109/TIP.2011.2109730]
-
Zhang X D, Feng X C, Wang W W, Xue W F. 2013. Edge strength similarity for image quality Assessment. IEEE Signal Processing Letters, 20(4): 319-322 [DOI:10.1109/LSP.2013.2244081]
-
Zhu H C, Li L D, Wu J J, Dong W S and Shi G M. 2020. MetaIQA: deep meta-learning for no-reference image quality assessment//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle, USA: IEEE: 14131-14140 [DOI: 10.1109/CVPR42600.2020.01415]
-
Zhu H J, Zong P, Cong Y H. 2021. Multi-scale image quality assessment method based on weight pool. Computer Engineering and Applications, 57(3): 215-221 (朱惠娟, 宗平, 丛玉华. 2021. 基于权重池的多尺度图像质量评估方法. 计算机工程与应用, 57(3): 215-221) [DOI:10.3778/j.issn.1002-8331.2008-0365]
-
Zhu K F, Barkowsky M, Shen M M, Le Callet P and Saupe D. 2014. Optimizing feature pooling and prediction models of VQA algorithms//Proceedings of 2014 IEEE International Conference on Image Processing (ICIP). Paris, France: IEEE: 541-545 [DOI: 10.1109/ICIP.2014.7025108]
-
Zhu K F, Li C Q, Asari V, Saupe D. 2015. No-reference video quality assessment based on artifact measurement and statistical analysis. IEEE Transactions on Circuits and Systems for Video Technology, 25(4): 533-546 [DOI:10.1109/TCSVT.2014.2363737]
-
Zhu W H, Zhai G T, Min X K, Hu M H, Liu J, Guo G D, Yang X K. 2019. Multi-channel decomposition in tandem with free-energy principle for reduced-reference image quality assessment. IEEE Transactions on Multimedia, 21(9): 2334-2346 [DOI:10.1109/TMM.2019.2902484]
