딥러닝 기반의 무참조 이미지 품질 평가 방법은 현재 의미 연관성 부족 또는 모델 훈련 요구 사항이 높다는 문제를 안고 있다. 이를 해결하기 위해 본 논문에서는 의미 특징 부호화와 Transformer를 기반으로 한 무참조 이미지 품질 평가 방법을 제안한다. 먼저, 딥 컨볼루션 신경망을 사용하여 이미지의 고수준 의미 특징을 추출한다; 그 다음 의미 특징을 시각적 특징 심볼로 매핑하고 Transformer의 자기 주의 메커니즘을 기반으로 시각적 특징 심볼 간의 관계를 모델링하여 이미지의 전역 특징을 추출하며, 얕은 신경망을 통해 저수준의 지역 이미지 특징을 추출하여 저수준 왜곡 정보를 포착한다; 마지막으로 전역 이미지 정보와 지역 이미지 정보를 결합하여 이미지 품질을 예측한다. 모델의 정확도와 견고성을 검증하기 위해 상관계수 PLCC와 SROCC를 평가 지표로 사용하여 5개의 주요 이미지 품질 평가 데이터셋과 1개의 수중 이미지 품질 평가 데이터셋에서 실험을 수행하고, 본 논문에서 제안한 방법을 15종의 전통적 및 딥러닝 기반 무참조 이미지 품질 평가 방법과 비교하였다. 실험 결과 본 방법은 적은 파라미터 수(약 1.56MB)로 다양한 데이터셋에서 우수한 성능을 달성하였으며, 특히 다중 왜곡 데이터셋 LIVE-MD에서 SROCC를 0.958까지 향상시켜 복잡한 왜곡 상황에서도 이미지 품질을 정확히 평가할 수 있음을 증명하였으며, 본 네트워크 구조가 실제 응용 시나리오에 적합함을 나타냈다.

이미지 품질; 무참조 이미지 품질 평가; Transformer; 자기 주의; 특징 부호화