计算机应用

作者：邓旸, 赵涛, 孙凯, 童同, 高钦泉

单位：1.福州大学 物理与信息工程学院，福州 350108；2.中国电信股份有限公司 福州分公司，福州 350005；3.北京广播电视台，北京 100022；4.福建帝视科技集团有限公司，福州 350002

关键词：图像质量评价,人类视觉系统,视觉关注,显著目标检测,注意力机制

基金：福建省人工智能科技经济融合服务平台项目(［2022］15)

实际业务场景中的图像数据通常呈现内容丰富和失真表现复杂的特点，对客观图像质量评价（IQA）算法的泛化是一个巨大挑战。针对这一问题，提出一种无参考IQA（NR-IQA）算法。该算法主要由特征提取网络（FEN）、特征融合网络（FFN）和自适应预测网络（APN）这3个子网络组成。首先，将样本的全局视图、局部patch和显著性视图一并输入FEN，并通过Swim Transformer提取全局失真、局部失真和显著性特征；其次，采用级联的Transformer编码器融合全局失真特征和局部失真特征，并挖掘二者的潜在关联模式；受人类视觉关注机制的启发，在FFN中使用显著性特征激发注意力模块，使该模块对视觉显著性区域施加额外关注，从而提升算法的语义解析能力；最后，通过动态构建的多层感知机（MLP）回归网络计算出预测分数。在主流的合成失真和真实失真数据集上的实验结果表明，所提算法与DSMix（Distortion-induced Sensitivity map-guided Mixed augmentation）算法相比，所提算法在TID2013数据集上的斯皮尔曼秩序相关系数（SRCC）提升了4.3%，在KonIQ数据集上的皮尔森线性相关系数（PLCC）提升了1.4%，并展现出了出色的泛化能力和可解释性，能够有效应对业务场景中失真表现复杂的情况，且可以根据样本个体特征做出适应性预测。

来源：2025年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第12期