Die Kosten für die Erfassung subjektiver Bildqualitätsbewertungen sind hoch, wodurch Bildqualitätsbewertungsmodelle (IQA) in der Regel mit zu wenigen Trainingsbeispielen konfrontiert sind. Darüber hinaus hat die Verzerrungsart einen wichtigen Einfluss auf die visuelle Wahrnehmungsqualität des Bildes. Zur Lösung dieser Probleme wird in diesem Artikel eine Methode zur Bildqualitätsbewertung vorgeschlagen, die Meta-Lernen und Verzerrungswahrnehmung kombiniert. Zunächst wird durch Meta-Lernen der menschliche Lernprozess simuliert, um schnell Vorwissen über bekannte Verzerrungstypen zu erlangen, das die nachfolgende ResNet-50-Netzwerk effektiv für die Fusion von Multi-Skalen-Merkmalen anleitet. Modul zur Verzerrungswahrnehmung werden eingeführt, um vollständige Verzerrungsinformationen zu erfassen und ein einheitliches Qualitätbewertungssystem aufzubauen. Experimentelle Ergebnisse auf synthetischen und realen Verzerrungsdatensätzen wie LIVE und KonIQ-10k zeigen, dass das vorgeschlagene Modell unter Kleinmusterbedingungen die Generalisierungsfähigkeit des Modells zwischen verschiedenen Verzerrungstypen verbessern kann. Im umfassenden Vergleich mit bestehenden fortschrittlichen Methoden erzielte unser Modell Verbesserungen von 1,02 % und 1,85 % bei den Bewertungsindizes PLCC und SROCC gegenüber der zweitbesten Methode. Die Bewertungsgüte unseres Modells ist im Vergleich zu aktuellen führenden IQA-Modellen wettbewerbsfähig.

Referenzlose Bildqualitätsbewertung; Meta-Lernen; Verzerrungswahrnehmung; Generalisierungsfähigkeit