시각적 품질 측정은 이미지 및 비디오 처리 응용 분야에서 근본적인 중요성을 지닌다. 품질 평가(Quality Assessment, QA) 연구의 목적은 인간의 인지적 일관성과 일치하는 방식으로 이미지나 비디오의 품질을 자동으로 평가할 수 있는 알고리즘을 설계하는 것이다. 일반적으로 이미지 QA 알고리즘은 어떤 인지적 공간에서 "기준(reference)" 또는 "완벽(perfect)" 이미지와의 일치도 또는 유사도를 이미지 품질의 척도로 해석한다. 이러한 '전체 기준(full-reference)' QA 방법들은 인간 시각 시스템(Human Visual System, HVS)의 주목할 만한 생리학적 및 심시각적 특성을 모델링하거나 신호의 정합성 측정을 통해 품질 예측의 일관성을 달성하려 한다. 본 논문에서는 이미지 QA 문제를 정보 정합성(information fidelity) 문제로 접근한다. 구체적으로, 왜곡 과정에서 이미지 정보가 얼마나 손실되는지를 정량화하고, 이미지 정보와 시각적 품질 간의 관계를 탐구하고자 한다. QA 시스템은 항상 인간 소비를 목적으로 하는 '자연스러운(natural)' 이미지와 비디오의 시각적 품질을 평가하는 데 관여한다. 연구자들은 이러한 자연 신호의 통계적 특성을 포착하기 위한 고도로 발전된 모델을 개발해왔다. 이러한 모델을 활용하여, 우리는 기준 이미지와 왜곡된 이미지 간에 공유되는 정보의 양과 이미지 품질 간의 관계를 설명하는 정보 정합성 기준을 이전에 제안한 바 있다. 본 논문에서는 기준 이미지에 포함된 정보의 양과 왜곡된 이미지에서 얼마나 많은 기준 정보를 복원할 수 있는지를 정량화할 수 있는 이미지 정보 측정법을 제안한다. 이 두 가지 양을 결합하여, 이미지 QA를 위한 시각 정보 정합성 측정법을 제안한다. 본 알고리즘의 성능은 779개의 이미지를 포함한 광범위한 주관적 실험을 통해 검증되었으며, 시뮬레이션 결과에서 최근 최신 기술 수준의 이미지 QA 알고리즘들에 비해 상당한 성능 우위를 보였다. 본 연구의 코드와 주관적 실험 데이터는 LIVE 웹사이트에서 공개되어 있다.