摘要
图像质量评估（Image Quality Assessment, IQA）是理解与提升视觉体验的重要研究课题。当前最先进的IQA方法均基于卷积神经网络（Convolutional Neural Networks, CNNs）。然而，CNN模型在批量训练过程中受限于固定的输入形状约束，其性能往往受到影响。为适应这一限制，输入图像通常需被缩放并裁剪至固定尺寸，这一过程会导致图像质量的下降。为解决该问题，本文提出一种多尺度图像质量Transformer（Multi-scale Image Quality Transformer, MUSIQ），能够直接处理具有不同尺寸和宽高比的原始分辨率图像。通过引入多尺度图像表示，所提方法可在不同粒度上有效捕捉图像质量特征。此外，我们设计了一种基于哈希的二维空间嵌入（hash-based 2D spatial embedding）与尺度嵌入（scale embedding），以支持多尺度表示中的位置编码。实验结果表明，该方法在多个大规模IQA数据集（包括PaQ-2-PiQ、SPAQ和KonIQ-10k）上均达到了当前最优的性能表现。