摘要
尺度不变性（scale-invariance）是计算机视觉多个子领域中尚未解决的开放性问题。例如，物体标签在不同尺度下应保持一致，但模型预测在许多情况下却出现显著偏差。当真实标签随呈现尺度发生变化时，这一问题变得更加复杂。在图像质量评估（Image Quality Assessment, IQA）任务中，图像下采样会削弱失真效应（如模糊或压缩伪影），这可能在主观评价中产生积极影响。因此，为了准确预测感知图像质量，跨分辨率IQA方法必须同时考虑由模型能力不足引起的尺度相关误差，以及真实标签中因分辨率变化而产生的感知标签偏移。本文首次通过KonX——一个精心构建的新型跨分辨率IQA数据库，对上述两类问题进行解耦并分别开展系统研究。本文的主要贡献包括：1. 基于KonX，我们提供了实证证据，证明呈现分辨率的变化会导致标签发生系统性偏移；2. 我们揭示了现有客观IQA方法存在显著的尺度偏差（scale bias），该偏差会降低其预测性能；3. 我们提出一种多尺度、多列结构的深度神经网络（DNN）架构，在该任务上显著优于以往的最先进IQA模型，包括近期基于Transformer的模型。综上所述，本研究不仅提出了一项图像质量评估领域的新研究问题，也提供了有效的解决方案，推动了该方向的深入发展。