画像の主観的品質評価を取得するコストが高いため、画像品質評価（Image Quality Assessment、IQA）モデルは通常、訓練サンプル数の不足という問題に直面しています。さらに、歪みタイプは画像の視覚的な知覚品質に重要な影響を与えます。これらの問題に対処するため、本論文ではメタラーニングと歪み認識を組み合わせた画像品質評価手法を提案します。まず、メタラーニングにより人間の学習過程をシミュレートして既知の歪みタイプの事前知識を迅速に獲得し、後続のResNet-50ネットワークが多尺度特徴を効果的に統合することを導きます。歪み認識モジュールを導入し、完全な歪み情報をキャプチャして統一された品質評価システムを構築します。LIVE、KonIQ-10kなどの合成歪みおよび実歪みデータセットでの実験結果は、提案モデルが少数サンプル条件下で異なる歪みタイプ間の汎化性能を向上させることを示しています。既存の先進的手法との総合的な実験比較では、本モデルはPLCCおよびSROCCの2つの評価指標でそれぞれ1.02％および1.85％の改善を達成しました。本モデルの評価精度は、現在の主流IQAモデルと比較して競争力があります。

参照なし画像品質評価; メタラーニング; 歪み認識; 汎化性能