In dieser Arbeit schätzen wir die wahrgenommene Bildqualität unter Verwendung von dünnbesetzten Darstellungen, die durch einen unüberwachten Lernansatz aus generischen Bild-Datenbanken gewonnen werden. Eine Farbraumtransformation, eine Mittelwertsubtraktion und eine Weißenoperation werden angewendet, um die Beschreibbarkeit der Bilder durch Reduzierung der räumlichen Redundanz zu verbessern. Ein linearer Dekoder wird verwendet, um dünnbesetzte Darstellungen zu erhalten, und eine Schwellwertstufe dient zur Formulierung von Unterdrückungsmechanismen in einem visuellen System. Der lineare Dekoder wird mit 7 GB Daten trainiert, was 100.000 8x8-Bildausschnitte entspricht, die zufällig aus etwa 1.000 Bildern der ImageNet 2013-Datenbank extrahiert wurden. Um lokale Informationen beizubehalten, wird ein patchweiser Trainingsansatz bevorzugt. Der vorgeschlagene Qualitätschätzer UNIQUE wird auf den LIVE-, den Multiply Distorted LIVE- und der TID 2013-Datenbank getestet und mit dreizehn Qualitätschätzern verglichen. Die experimentellen Ergebnisse zeigen, dass UNIQUE im Allgemeinen ein top-performanter Qualitätschätzer hinsichtlich Genauigkeit, Konsistenz, Linearität und monotonem Verhalten ist.