摘要
客观的图像质量评价方法通常通过比较“退化”图像与原始图像之间的像素差异来实现。然而，与人类观察者相比，这类方法对纹理区域的重采样（例如，用另一块草地贴图替换原有草地）过于敏感。本文提出首个具有显式纹理重采样容忍能力的全参考图像质量评估模型。我们利用卷积神经网络构建了一个单射且可微的映射函数，将图像转换为多尺度、过完备的表示形式。实验结果表明，该表示中特征图的空间均值能够有效捕捉纹理外观，因为它们提供了足够强的统计约束，可用于合成多种多样的纹理模式。在此基础上，我们设计了一种图像质量评估方法，该方法结合了上述空间均值之间的相关性（称为“纹理相似性”）与特征图之间的相关性（称为“结构相似性”）。所提出的度量指标参数通过联合优化，使其既能够匹配人类对图像质量的主观评分，又能够最小化从同一纹理图像中裁剪出的子图像之间的报告距离。实验结果表明，该优化后的模型在传统图像质量数据库以及纹理数据库上均能有效解释人类的感知评分。此外，该方法在相关任务（如纹理分类与检索）中也表现出具有竞争力的性能。最后，我们证明，该方法对几何变换（如平移和缩放）具有较强的鲁棒性，且无需依赖任何专门的训练或数据增强手段。相关代码已开源，地址为：https://github.com/dingkeyan93/DISTS。