摘要
真实场景下失真图像的盲图像质量评估（Blind Image Quality Assessment, BIQA）始终是一项极具挑战性的任务，因为真实世界中捕获的图像包含丰富的内容多样性以及多种类型的失真。以往绝大多数BIQA方法主要致力于预测合成图像的质量，但在面对真实世界中的失真图像时表现不佳。为应对这一挑战，本文提出一种自适应超网络架构，用于在复杂真实场景下实现盲图像质量评估。该方法将图像质量评估过程划分为三个阶段：内容理解、感知规则学习与质量预测。在提取图像语义信息后，由超网络自适应地构建感知规则，并将其传递至质量预测网络进行后续评估。在所提出的模型中，图像质量可实现自适应估计，因而对各类真实场景下采集的多样化图像具有良好的泛化能力。实验结果表明，所提方法不仅在具有挑战性的真实图像质量数据库上超越了当前最先进的方法，且在合成图像数据库上也取得了具有竞争力的性能表现，尽管该模型并未专门针对合成图像任务进行设计。