O custo para obter uma pontuação subjetiva de qualidade de imagem é alto, fazendo com que os modelos de Avaliação de Qualidade de Imagem (IQA) geralmente enfrentem o problema da insuficiência de amostras de treinamento. Além disso, o tipo de distorção tem uma influência importante na qualidade da percepção visual da imagem. Para resolver esses problemas, este artigo propõe um método de avaliação da qualidade da imagem baseado na combinação de meta-aprendizagem e percepção de distorções. Primeiramente, por meio da meta-aprendizagem, simula-se o processo de aprendizagem humana para obter rapidamente o conhecimento prévio dos tipos de distorção conhecidos, guiando a fusão eficaz das características multiescala na rede ResNet-50 subsequente. Introduz-se um módulo de percepção de distorção para capturar informações completas da distorção e estabelecer um sistema unificado de avaliação de qualidade. Os resultados experimentais em conjuntos de dados de distorção sintética e verdadeira, como LIVE e KonIQ-10k, mostram que o modelo proposto pode melhorar o desempenho de generalização entre diferentes tipos de distorção sob condições de poucas amostras. Na comparação abrangente com métodos avançados existentes, nosso modelo obteve melhorias de 1,02% e 1,85% nos índices PLCC e SROCC, respectivamente, em relação ao segundo melhor método. A precisão da avaliação do nosso modelo é competitiva em comparação com os modelos IQA predominantes atualmente.

Avaliação de qualidade de imagem sem referência; meta-aprendizagem; percepção de distorções; desempenho de generalização