L’évaluation aveugle de la qualité des images (BIQA) pour des images réellement déformées reste un problème complexe, car les images capturées dans des environnements réels présentent une grande variété de contenus et de types de déformations. La majorité des méthodes BIQA antérieures se concentrent sur la prédiction de la qualité d’images synthétiques, mais échouent lorsqu’elles sont appliquées à des images déformées du monde réel. Pour relever ce défi, nous proposons une architecture de réseau hyper auto-adaptatif permettant d’évaluer la qualité des images dans des conditions réelles. Notre approche décompose le processus d’évaluation de la qualité d’image (IQA) en trois étapes : compréhension du contenu, apprentissage des règles de perception et prédiction de la qualité. Après l’extraction des sémantiques de l’image, une règle de perception est établie de manière adaptative par un réseau hyper, puis exploitée par un réseau de prédiction de qualité. Dans notre modèle, la qualité de l’image est estimée de manière auto-adaptative, permettant ainsi une bonne généralisation sur une large diversité d’images capturées dans des environnements réels. Les résultats expérimentaux montrent que notre méthode surpasser les méthodes de pointe sur des bases de données d’images authentiques exigeantes, tout en atteignant des performances compétitives sur des bases de données d’images synthétiques, bien qu’elle ne soit pas explicitement conçue pour ce type de tâche.