摘要
基于深度学习的图像质量评估（IQA）方法受限于现有数据集规模较小的问题。构建大规模数据集不仅需要大量资源来生成可发表的内容，还需投入大量人力进行精准标注。本文提出一种系统化且可扩展的方法，构建了目前规模最大的IQA数据集——KonIQ-10k，包含10,073张经过质量评分的图像。该数据集是首个面向真实场景（in-the-wild）的数据库，旨在实现生态效度，涵盖失真类型的自然真实性、内容多样性以及与质量相关的多种指标。通过众包方式，我们收集了来自1,459名众包工作者的120万条可靠质量评分，为训练更具泛化能力的IQA模型奠定了基础。为此，我们提出一种新型深度学习模型——KonCept512，其在测试集上的表现优异，皮尔逊等级相关系数（SROCC）达到0.921；在当前最先进的LIVE-in-the-Wild数据库上，其SROCC亦达到0.825，显著优于现有方法。该模型的核心性能源于InceptionResNet架构，并在高于以往模型的分辨率（512×384）下进行训练。相关性分析表明，KonCept512在单张测试图像上的表现，相当于获得了9个主观评分的精度水平。