Получение субъективной оценки качества изображения требует значительных затрат, из-за чего модели оценки качества изображения (IQA) обычно сталкиваются с проблемой недостаточного объема обучающих выборок. Кроме того, тип искажения имеет важное влияние на визуальное восприятие качества изображения. В этой работе предлагается метод оценки качества изображения, основанный на сочетании метаобучения и учета искажений. Сначала с помощью метаобучения моделируется процесс человеческого обучения для быстрого получения априорных знаний об известных типах искажений, что позволяет эффективно интегрировать мульти-масштабные признаки в сеть ResNet-50. Вводится модуль восприятия искажений для захвата полной информации об искажениях и создания единой системы оценки качества. Результаты экспериментов на синтетических и реальных наборах данных искажений, таких как LIVE и KonIQ-10k, показывают, что предложенная модель при малом объеме выборки улучшает обобщающую способность модели между разными типами искажений. В сравнении с современными передовыми методами наша модель улучшает показатели PLCC и SROCC на 1.02% и 1.85% соответственно по сравнению с рядом вторых по качеству методов. Точность оценки модели конкурентоспособна по сравнению с текущими ведущими моделями IQA.

Оценка качества изображения без эталона; метаобучение; восприятие искажений; обобщающая способность