이미지 주관적 품질 평가를 획득하는 비용이 높아 이미지 품질 평가(Image Quality Assessment, IQA) 모델은 일반적으로 훈련 샘플 수 부족 문제에 직면합니다. 또한 왜곡 유형은 이미지 시각 인지 품질에 중요한 영향을 미칩니다. 이러한 문제를 해결하기 위해 본 논문은 메타 학습과 왜곡 인식을 결합한 이미지 품질 평가 방법을 제안합니다. 먼저 메타 학습을 통해 인간 학습 과정을 시뮬레이션하여 알려진 왜곡 유형의 사전 지식을 빠르게 획득하고 후속 ResNet-50 네트워크가 다중 스케일 특징을 효과적으로 융합하도록 지도합니다. 왜곡 인식 모듈을 도입하여 완전한 왜곡 정보를 포착하고 통합된 품질 평가 체계를 구축합니다. LIVE, KonIQ-10k 등 합성 왜곡 및 실제 왜곡 데이터셋에서의 실험 결과는 제안된 모델이 소수 샘플 조건에서 다양한 왜곡 유형 간의 일반화 성능을 향상시킬 수 있음을 보여줍니다. 기존 최첨단 방법과의 종합적인 실험 비교에서 본 모델은 PLCC 및 SROCC 두 평가 지표에서 각각 1.02%와 1.85%의 향상을 이루었습니다. 본 모델의 평가 정확도는 현재 주류 IQA 모델과 비교하여 경쟁력이 있습니다.

참고 없는 이미지 품질 평가; 메타 학습; 왜곡 인식; 일반화 성능