ノーリファレンス画像品質評価（NR-IQA）は、高品質のリファレンス画像を必要とせずに、人間の知覚に合わせて画像品質を測定する方法を開発することを目指しています。本研究では、画像品質評価のための歪み多様体を内在的に獲得するために設計された自己監督型アプローチであるARNIQA（leArning distoRtion maNifold for Image Quality Assessment）を提案します。まず、ランダムに順序付けられた連続的な歪みの列からなる画像劣化モデルを導入します。これにより、多種多様な劣化パターンで画像を合成的に劣化させることができます。次に、異なるコンテンツを持つ画像のパッチ間でも等しく歪ませた場合の表現の類似性を最大化することでモデルを学習することを提案します。この方法により、同じように劣化した画像は歪み多様体内で近接した位置に対応します。最後に、単純な線形回帰器を使用して画像表現を品質スコアにマッピングし、エンコーダーの重みを微調整せずに済むようにします。実験結果は、当アプローチが複数のデータセットにおいて最先端の性能を達成していることを示しています。さらに、ARNIQAは競合する手法と比較してデータ効率性、汎化能力、堅牢性が向上していることが確認されました。コードおよびモデルは公開されており、https://github.com/miccunifi/ARNIQA からアクセスできます。