تقييم جودة الصور العمياء (BIQA) للصور المُعَوَّرَة بشكل حقيقي كان دائمًا مشكلةً صعبة، نظرًا لأن الصور المُلتَقَطة في البيئة الطبيعية تحتوي على محتويات متنوعة وأنواع مختلفة من التشوهات. وتركز معظم الأساليب السابقة لـ BIQA على توقع جودة الصور الاصطناعية، لكنها تفشل عند تطبيقها على الصور المُعَوَّرَة في العالم الحقيقي. وللتعامل مع هذا التحدي، نقترح بنية شبكة هايبر ذات تكيّف ذاتي لتقييم جودة الصور في البيئة الطبيعية. نُقسّم عملية تقييم جودة الصور (IQA) إلى ثلاث مراحل: فهم المحتوى، وتعلم قواعد الإدراك، وتوقع الجودة. بعد استخراج الدلالة البصرية للصورة، تُبنى قاعدة الإدراك تلقائيًا بواسطة شبكة هايبر، ثم تُستخدم من قبل شبكة توقع الجودة. في نموذجنا، يمكن تقدير جودة الصورة بطريقة ذاتية التكيّف، مما يضمن أداءً ممتازًا على مجموعة متنوعة من الصور المُلتَقَطة في البيئة الطبيعية. وتوثّق النتائج التجريبية أن منهجنا لا يتفوق فقط على أحدث الأساليب في قواعد بيانات صور حقيقية صعبة، بل يحقق أيضًا أداءً تنافسيًا على قواعد بيانات الصور الاصطناعية، رغم أنه لم يُصمم صراحةً لمهام الصور الاصطناعية.