Obtener una puntuación de calidad subjetiva de la imagen tiene un alto costo, lo que hace que los modelos de evaluación de calidad de imagen (IQA) generalmente enfrenten el problema de la insuficiencia de muestras de entrenamiento. Además, el tipo de distorsión tiene una influencia importante en la calidad de percepción visual de la imagen. Para abordar estos problemas, este artículo propone un método de evaluación de calidad de imagen basado en la combinación de meta-aprendizaje y percepción de distorsiones. Primero, mediante meta-aprendizaje se simula el proceso de aprendizaje humano para obtener rápidamente el conocimiento previo de tipos de distorsiones conocidos, guiando la fusión efectiva de características multiescala en la red ResNet-50 posterior. Se introduce un módulo de percepción de distorsiones para capturar la información completa de las distorsiones, estableciendo un sistema unificado de evaluación de calidad. Los resultados experimentales en conjuntos de datos sintéticos y reales de distorsión como LIVE y KonIQ-10k muestran que el modelo propuesto puede mejorar el rendimiento de generalización entre diferentes tipos de distorsión bajo condiciones de pocas muestras. En la comparación integral con métodos avanzados existentes, nuestro modelo logró mejoras del 1.02% y 1.85% en los indicadores PLCC y SROCC respectivamente en comparación con el segundo mejor método. La precisión de evaluación de nuestro modelo es competitiva en comparación con los modelos IQA dominantes actuales.

Evaluación de calidad de imagen sin referencia; meta-aprendizaje; percepción de distorsiones; capacidad de generalización