L’évaluation automatique de la qualité des images est devenue récemment un sujet d’actualité majeur en raison de son utilité dans un large éventail d’applications, telles que l’évaluation des chaînes de capture d’images, des techniques de stockage ou du partage de médias. Malgré la nature subjective de ce problème, la plupart des méthodes existantes se contentent de prédire la note moyenne fournie par des jeux de données comme AVA [1] et TID2013 [2]. À la différence des approches antérieures, notre méthode vise à prédire la distribution des notes attribuées par les humains à l’aide d’un réseau neuronal convolutif. L’architecture proposée présente également l’avantage d’être sensiblement plus simple que les autres méthodes offrant des performances comparables. Notre approche repose sur le succès (et la réentraînement) de réseaux de reconnaissance d’objets profonds éprouvés et de pointe. Le réseau résultant permet non seulement d’évaluer fiablement la qualité des images avec une forte corrélation avec la perception humaine, mais aussi d’aider à l’adaptation et à l’optimisation des algorithmes de retouche ou d’amélioration d’images au sein d’un pipeline photographique. Tous ces objectifs sont atteints sans nécessiter d’image de référence « idéale », permettant ainsi une évaluation de la qualité sans référence (no-reference), sémantiquement et perceptuellement consciente, à partir d’une seule image.