[发明专利]基于自监督的无参考图像质量评估方法及系统

权利要求书

1.一种基于自监督的无参考图像质量评估方法，其特征在于，该无参考图像质量评估方法包括：

步骤S10，构建自监督无参考图像质量评估模型，所述模型包括共享编码器的先验知识学习子网络和图像质量评估子网络，所述先验知识学习子网络和所述图像质量评估子网络的解码器之间设置有知识迁移通道；

步骤S20，以图像复原任务作为图像质量评估任务的代理任务，构建图像复原任务的第一训练集，并通过所述第一训练集进行所述先验知识学习子网络的预训练；

步骤S30，通过所述知识迁移通道将预训练的先验知识学习子网络的解码器的参数迁移至图像质量评估子网络的解码器；

步骤S40，获取少量的图像质量评估任务的第二训练集，并通过所述第二训练集进行预训练的先验知识学习子网络和参数迁移后的图像质量评估子网络的微调训练；

步骤S50，以微调训练的先验知识学习子网络和图像质量评估子网络作为训练好的自监督无参考图像质量评估模型，并通过训练好的自监督无参考图像质量评估模型进行无参考图像的质量评估。

2.根据权利要求1所述的基于自监督的无参考图像质量评估方法，其特征在于，所述先验知识学习子网络和所述图像质量评估子网络，其解码器为失真信息感知模块；

所述失真信息感知模块包括顺次连接的一个第一拼接层、一个Inception层、一个第二拼接层和三个3×3卷积层；

所述Inception层包括第一分支、第二分支、第三分支和第四分支，所述第一分支为一个1×1卷积层，所述第二分支为顺次连接的一个1×1卷积层和一个5×5卷积层，所述第三分支为顺次连接的一个1×1卷积层、一个3×3卷积层和一个1×1卷积层，所述第四分支为顺次连接的一个最大值池化层和一个3×3卷积层。

3.根据权利要求1所述的基于自监督的无参考图像质量评估方法，其特征在于，所述知识迁移通道包括知识收集模块和知识分发模块；

所述知识收集模块包括m个分支输入和一个第三拼接层，每个分支输入包括顺次连接的一个1×1卷积层和一个池化层，m个分支的池化层一起连接到第一拼接层，其中，m为先验知识学习子网络的解码器输出的图像多尺度上下文特征的尺度数；

所述知识分发模块包括与所述第三拼接层连接的n个分支输出，每个分支输出包括顺次连接的一个第四拼接层和一个1×1卷积层，其中，n为图像质量评估子网络的解码器输出的图像多尺度上下文特征的尺度数。

4.根据权利要求3所述的基于自监督的无参考图像质量评估方法，其特征在于，所述先验知识学习子网络，其基于图像复原任务的第一训练集的预训练的第一损失函数为：

其中，I分别代表第一训练集中的参考图像和对应的复原图像I，代表参考图像和对应的复原图像I之间的第一损失函数，代表参考图像和对应的复原图像I之间的L1损失函数，代表参考图像和对应的复原图像I之间的SSIM损失函数，代表参考图像和对应的复原图像I之间的感知损失函数，ε,ρ,μ为预设的用于调节L1损失函数、SSIM损失函数和感知损失函数在第一损失函数所占比重的超参数，N为预训练的第一训练集的参考图像和对应的复原图像I的图像对的个数。

5.根据权利要求4所述的基于自监督的无参考图像质量评估方法，其特征在于，所述预设的用于调节L1损失函数、SSIM损失函数和感知损失函数在第一损失函数所占比重的超参数，分别设置为ε＝1，ρ＝0.08，μ＝1。

6.根据权利要求4所述的基于自监督的无参考图像质量评估方法，其特征在于，所述参考图像和对应的复原图像I之间的L1损失函数其表示为：

其中，‖ ‖₁代表L1范数。

7.根据权利要求4所述的基于自监督的无参考图像质量评估方法，其特征在于，所述参考图像和对应的复原图像I之间的SSIM损失函数其表示为：

其中，代表求参考图像和对应的复原图像I之间的结构相似度。