L'obtention d'une évaluation subjective de la qualité d'image est coûteuse, ce qui conduit les modèles d'évaluation de la qualité d'image (IQA) à souvent faire face à un manque d'échantillons d'entraînement. De plus, le type de distorsion influence de manière significative la qualité perçue visuellement de l'image. Pour répondre à ces problèmes, cet article propose une méthode d'évaluation de la qualité d'image basée sur la méta-apprentissage combinée à la perception des distorsions. Tout d'abord, la méta-apprentissage simule le processus d'apprentissage humain pour acquérir rapidement les connaissances a priori des types de distorsions connus, guidant ainsi l'intégration efficace des caractéristiques multi-échelles dans le réseau ResNet-50 subséquent. Un module de perception des distorsions est introduit pour capturer les informations complètes des distorsions et établir un système unifié d'évaluation de la qualité. Les résultats expérimentaux sur des ensembles de données de distorsions synthétiques et réelles telles que LIVE et KonIQ-10k montrent que le modèle proposé peut améliorer ses performances de généralisation entre différents types de distorsions sous condition d'échantillon réduit. Dans une comparaison globale avec les méthodes avancées existantes, notre modèle améliore les indices PLCC et SROCC de 1,02 % et 1,85 % respectivement par rapport à la meilleure méthode suivante. La précision d'évaluation de notre modèle est compétitive par rapport aux modèles IQA dominants actuels.

Évaluation de la qualité d'image sans référence ; méta-apprentissage ; perception des distorsions ; capacité de généralisation