摘要
自然感知图像质量评估是一个影响数十亿互联网及社交媒体用户日常体验的挑战性问题。为推动该领域的研究进展，我们提出一种基于专家混合（Mixture of Experts）的方法，在无监督设置下训练两个独立的编码器，分别学习图像的高层语义内容特征与低层图像质量特征。本方法的独特创新之处在于，能够生成与高层内容特征互补的低层图像质量表征。我们将用于训练这两个编码器的框架称为Re-IQA。在真实场景下的图像质量评估任务中，我们利用Re-IQA框架所获得的互补性低层与高层图像表征，训练一个线性回归模型，该模型用于将图像表征映射至真实质量评分（参见图1）。实验结果表明，所提出的方法在包含真实与合成失真类型的多个大规模图像质量评估数据库上均取得了当前最优的性能表现，充分展示了深度神经网络在无监督条件下可学习到具有感知相关性的有效表征。通过实验验证，我们确认所提取的低层与高层特征确实具有互补性，并显著提升了线性回归模型的性能。本研究相关的全部代码将公开发布于GitHub平台，供学术界和工业界使用。