本文主要是介绍ICCV 2021 | 低质图像化军师：让 IR测评摆脱高清依赖，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
图像质量评估是一个“古老”而重要的课题，有着广泛的应用和深远的影响。一些非常经典的图像质量评估方法，比如PSNR, SSIM，包括新兴的LPIPS，已经被广泛用来做图像复原任务的衡量指标。但是，这些指标通常需要高质量图像作参考，从而使得其在很多场景下无法适用。
本文针对图像复原任务的衡量问题，提出了一种更加具有可行性的图像质量评估方式：通过从低质量图像中提取有用信息，帮助衡量复原图像的质量。这一工作对于无高清图像的图像复原任务（Blind Image Restoration） 提供了一种切实可行的衡量方式，有望促进这一极具实际应用价值的领域的发展；此外，我们在实验过程中发现，低质图像作参考，对于衡量加GAN的复原图像的质量非常有帮助，希望本文可以对可导的GAN衡量指标的设计有所启发。
本文（Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment）已被ICCV 21接收，并很快受到了图像质量评估领域大佬，SSIM的作者Zhou Wang的关注。Zhou Wang等人在21年10月份放出一篇名为“Degraded Reference Image Quality Assessment”的arxiv论文，较为系统地讨论了低质图像作为图像质量评估的参考这一课题。希望越来越多的同行可以关注到这一课题，共同推进图像质量评估和图像复原等任务的发展！
背景介绍
数字图像在处理、压缩、传输过程中，难免会发生质量亏损。图像复原（IR）的算法应运而生。图像复原算法旨在将低质量图像恢复成高质量图像，那么如何评估图像复原算法、衡量所恢复图像的质量呢？
<这篇关于ICCV 2021 | 低质图像化军师：让 IR测评摆脱高清依赖的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
