In der Literatur wurden zahlreiche Algorithmen für die Super-Resolution von Einzelbildern vorgeschlagen, aber nur wenige Studien befassen sich mit der Leistungsevaluation basierend auf visueller Wahrnehmung. Obwohl die meisten Super-Resolution-Bilder durch vollreferenzierte Metriken bewertet werden, ist deren Effektivität nicht immer klar, und die erforderlichen Ground-Truth-Bilder sind in der Praxis nicht immer verfügbar. Um diese Probleme anzugehen, führen wir menschliche Subjektstudien mit einem großen Satz von Super-Resolution-Bildern durch und schlagen eine ohne Referenz arbeitende Metrik vor, die aus visuellen Wahrnehmungswerten gelernt wurde. Insbesondere entwerfen wir drei Arten niedrigstufiger statistischer Merkmale sowohl im Orts- als auch im Frequenzbereich, um Super-Resolution-Artefakte zu quantifizieren, und lernen ein zweistufiges Regressionsmodell, um die Qualitätsbewertungen von Super-Resolution-Bildern ohne Bezug zu Ground-Truth-Bildern vorherzusagen. Ausführliche experimentelle Ergebnisse zeigen, dass das vorgeschlagene Metrik effektiv und effizient ist, um die Qualität von Super-Resolution-Bildern basierend auf menschlicher Wahrnehmung zu bewerten.