一、NR-IQA

這是一種方法不是指標(biāo)
“Non-Reference Image Quality Assessment”（NR-IQA）是一種圖像質(zhì)量評(píng)價(jià)（Image Quality Assessment, IQA）方法，通常用于評(píng)估圖像的質(zhì)量，而無(wú)需使用參考圖像（即沒有原始或參考圖像進(jìn)行比較）。

在圖像處理和計(jì)算機(jī)視覺領(lǐng)域，有兩種常見的圖像質(zhì)量評(píng)價(jià)方法：全參考（Full-Reference）和非參考（No-Reference）。全參考方法需要一個(gè)參考圖像，它與待評(píng)估圖像進(jìn)行比較以確定圖像質(zhì)量。而非參考方法則不依賴于參考圖像，它根據(jù)圖像自身的特征和內(nèi)容來(lái)評(píng)估圖像的質(zhì)量。

NR-IQA 方法的主要目標(biāo)是開發(fā)能夠自動(dòng)評(píng)估圖像質(zhì)量的算法，而無(wú)需使用參考圖像。這對(duì)于實(shí)際應(yīng)用中的圖像質(zhì)量評(píng)估非常有用，因?yàn)樵谠S多情況下，沒有可用的參考圖像或參考圖像可能不適用。

NR-IQA 方法通?；趫D像的各種特征，如對(duì)比度、清晰度、顏色分布、紋理等，以及人類視覺系統(tǒng)的感知特性。這些方法可以是基于統(tǒng)計(jì)模型、機(jī)器學(xué)習(xí)模型或深度學(xué)習(xí)模型的。

NR-IQA 方法在圖像處理、圖像壓縮、視頻傳輸、醫(yī)學(xué)圖像等領(lǐng)域都有廣泛的應(yīng)用，因?yàn)樗鼈兛梢詭椭詣?dòng)化地評(píng)估和改進(jìn)圖像和視頻的質(zhì)量。

二、MUSIQ

它代表 “Multi-Scale Image Quality”（多尺度圖像質(zhì)量）。

MUSIQ 是一種用于評(píng)估圖像質(zhì)量的指標(biāo)，通常用于計(jì)算生成的圖像與原始圖像之間的相似性或質(zhì)量。與其他IQA指標(biāo)不同，MUSIQ 在多個(gè)尺度上對(duì)圖像進(jìn)行評(píng)估，以更全面地考慮圖像的質(zhì)量。

MUSIQ 可能會(huì)考慮以下因素：

1. 局部特征：評(píng)估圖像的局部細(xì)節(jié)和特征，以檢測(cè)失真或偽影。
2. 全局特征：考慮整體圖像的特征，如對(duì)比度、亮度和顏色平衡。
3. 多尺度信息：在不同的圖像尺度上進(jìn)行評(píng)估，以檢測(cè)不同尺度下的質(zhì)量問題。
4. 感知模型：可能考慮人類視覺系統(tǒng)的感知特性，以更準(zhǔn)確地模擬人眼對(duì)圖像質(zhì)量的感知。

具體的 MUSIQ 實(shí)現(xiàn)和計(jì)算方式可能會(huì)因不同的研究或應(yīng)用而異。

三、LPIPS

LPIPS（Learned Perceptual Image Patch Similarity）是一種圖像質(zhì)量評(píng)價(jià)指標(biāo)，它用于測(cè)量?jī)蓚€(gè)圖像之間的感知相似性。LPIPS旨在模擬人類視覺系統(tǒng)的感知，以更準(zhǔn)確地衡量圖像之間的相似性或質(zhì)量差異。

LPIPS 的主要思想是將圖像分為不同的塊或塊，并在這些塊上計(jì)算感知相似性，然后將這些分?jǐn)?shù)進(jìn)行匯總以獲得最終的相似性度量。這種方法考慮了圖像中局部特征的重要性，因此能夠更好地捕獲圖像之間的結(jié)構(gòu)和內(nèi)容相似性。

LPIPS 使用深度學(xué)習(xí)模型來(lái)學(xué)習(xí)感知相似性度量。通常，這個(gè)模型在大規(guī)模圖像數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，然后可以用于計(jì)算兩個(gè)圖像之間的相似性分?jǐn)?shù)。與傳統(tǒng)的結(jié)構(gòu)相似性指標(biāo)（如PSNR和SSIM）不同，LPIPS 更具有表現(xiàn)力，可以更好地捕獲圖像的感知差異，特別是在存在復(fù)雜紋理、結(jié)構(gòu)和顏色變化的情況下。

LPIPS 在計(jì)算機(jī)視覺和圖像處理領(lǐng)域中被廣泛應(yīng)用，特別是在圖像生成、超分辨率、圖像風(fēng)格遷移等任務(wù)中，用于評(píng)估生成的圖像與原始圖像之間的相似性和質(zhì)量。這種指標(biāo)有助于自動(dòng)化評(píng)估和改進(jìn)生成圖像的質(zhì)量。

四、FID

FID（Fréchet Inception Distance）是一種用于評(píng)估生成模型生成的圖像與真實(shí)圖像分布之間的相似性的指標(biāo)。它是一種常用于評(píng)估生成對(duì)抗網(wǎng)絡(luò)（GANs）和其他生成模型性能的圖像質(zhì)量評(píng)價(jià)指標(biāo)。

FID 的計(jì)算方式基于兩個(gè)關(guān)鍵元素：

1. 生成圖像樣本的特征表示：首先，通過一個(gè)預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（通常是Inception網(wǎng)絡(luò)）提取生成圖像樣本的特征表示。這個(gè)特征表示捕捉了生成圖像的內(nèi)容和統(tǒng)計(jì)信息。

2. 真實(shí)圖像樣本的特征表示：同樣地，提取真實(shí)圖像樣本的特征表示，以捕捉真實(shí)圖像的內(nèi)容和統(tǒng)計(jì)信息。

然后，FID 通過比較生成圖像樣本和真實(shí)圖像樣本的特征表示來(lái)計(jì)算它們之間的相似性。這個(gè)相似性度量考慮了兩個(gè)分布之間的 Fréchet 距離，通常在高維特征空間中計(jì)算。FID 的值越低，表示生成圖像與真實(shí)圖像分布越相似，質(zhì)量越高。

FID 的主要優(yōu)點(diǎn)是它不需要參考圖像或人工標(biāo)簽，而是根據(jù)圖像的統(tǒng)計(jì)特征進(jìn)行評(píng)估，因此對(duì)于無(wú)監(jiān)督生成任務(wù)非常有用。它已被廣泛用于衡量生成模型的性能，特別是在圖像生成、圖像轉(zhuǎn)換和圖像風(fēng)格遷移等任務(wù)中。越低的 FID 值通常表示生成的圖像更接近真實(shí)圖像分布，質(zhì)量更高。

五、NIQE

NIQE（Naturalness Image Quality Evaluator）是一種用于圖像質(zhì)量評(píng)價(jià)的指標(biāo)，旨在度量圖像的自然度或真實(shí)感。NIQE 通常用于評(píng)估圖像的質(zhì)量，特別是在圖像處理和圖像增強(qiáng)應(yīng)用中，以確定處理后的圖像是否看起來(lái)自然。

NIQE 的計(jì)算方式基于以下思想：

1. 自然圖像的統(tǒng)計(jì)屬性：NIQE 基于大量自然圖像的統(tǒng)計(jì)屬性和特征，這些屬性包括像素的亮度、顏色分布、梯度信息等。自然圖像通常具有特定的統(tǒng)計(jì)特征，這些特征在視覺上會(huì)產(chǎn)生自然感。

2. 圖像失真的影響：NIQE 通過比較待評(píng)估圖像的統(tǒng)計(jì)屬性和自然圖像的統(tǒng)計(jì)屬性來(lái)測(cè)量圖像質(zhì)量。如果待評(píng)估圖像與自然圖像的統(tǒng)計(jì)屬性差異較大，則可能表明圖像存在失真或不自然的特征。

3. 質(zhì)量分?jǐn)?shù)計(jì)算：NIQE 將上述比較轉(zhuǎn)化為一個(gè)質(zhì)量分?jǐn)?shù)，該分?jǐn)?shù)用于表示圖像的自然度。較低的 NIQE 分?jǐn)?shù)通常表示圖像更自然或更接近自然圖像的統(tǒng)計(jì)屬性，而較高的分?jǐn)?shù)則表示圖像可能存在失真或不自然的特征。

NIQE 通常用于與人類主觀評(píng)估結(jié)合，以確定圖像處理算法的性能。雖然它可以自動(dòng)化地評(píng)估圖像質(zhì)量，但它仍然具有一定的主觀性，因?yàn)閳D像的自然度在一定程度上是主觀的概念。

六、NRQM(Ma)

NRQM（Non-Reference Quality Metric）是一種非參考圖像質(zhì)量評(píng)價(jià)指標(biāo)，用于自動(dòng)評(píng)估圖像的質(zhì)量，而不需要參考圖像（即原始或真實(shí)圖像）。NRQM 幫助衡量圖像失真、壓縮、噪聲等因素對(duì)圖像質(zhì)量的影響，通常用于圖像處理、圖像增強(qiáng)和圖像壓縮等領(lǐng)域。

“NRQM(Ma)” 可能是指特定的 NRQM 指標(biāo)，其中 “Ma” 可能代表該指標(biāo)的開發(fā)者或提出者。NRQM 指標(biāo)的具體定義和計(jì)算方式通常取決于其作者的研究工作，因此不同的 NRQM 可能會(huì)有不同的名稱和計(jì)算方法。

NRQM 通常通過分析圖像的統(tǒng)計(jì)特征、結(jié)構(gòu)信息、顏色分布、對(duì)比度等來(lái)評(píng)估圖像的質(zhì)量。這些指標(biāo)旨在模擬人類視覺系統(tǒng)的感知，并盡量與人類主觀評(píng)估的結(jié)果相一致。

要了解 “NRQM(Ma)” 具體的計(jì)算方式和用法，你需要查閱相關(guān)文獻(xiàn)或參考該指標(biāo)的提出者的研究論文。不同的 NRQM 可能會(huì)有不同的特點(diǎn)和適用范圍，因此理解其原理和用法對(duì)于正確應(yīng)用和解釋評(píng)估結(jié)果非常重要。

七、 NIMA

NIMA（Neural Image Assessment）是一種基于深度學(xué)習(xí)的圖像質(zhì)量評(píng)價(jià)模型。與傳統(tǒng)的圖像質(zhì)量評(píng)價(jià)指標(biāo)不同，NIMA 利用深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）從圖像中學(xué)習(xí)特征，以自動(dòng)化地評(píng)估圖像的質(zhì)量。

以下是 NIMA 的一些關(guān)鍵特點(diǎn)和工作原理：

1. 深度卷積神經(jīng)網(wǎng)絡(luò)：NIMA 使用深度CNN模型來(lái)提取圖像的特征表示。通常，這個(gè)CNN模型在大規(guī)模的圖像質(zhì)量評(píng)價(jià)數(shù)據(jù)集上進(jìn)行訓(xùn)練，以學(xué)習(xí)不同質(zhì)量圖像之間的特征差異。

2. 多個(gè)質(zhì)量層級(jí)：NIMA 被設(shè)計(jì)為能夠評(píng)估圖像的多個(gè)質(zhì)量層級(jí)，而不僅僅是一個(gè)二進(jìn)制的“好”或“壞”。它可以輸出一個(gè)分?jǐn)?shù)，表示圖像的整體質(zhì)量，而不僅僅是一個(gè)二進(jìn)制分類。

3. 主觀和客觀損失函數(shù)：NIMA 的訓(xùn)練通常結(jié)合了主觀和客觀的損失函數(shù)。主觀損失函數(shù)是根據(jù)人類主觀評(píng)估的數(shù)據(jù)來(lái)定義的，而客觀損失函數(shù)則基于模型的輸出和人類評(píng)估之間的誤差來(lái)定義。

4. 應(yīng)用領(lǐng)域：NIMA 在圖像處理、圖像壓縮、圖像增強(qiáng)、圖像生成等領(lǐng)域中都有應(yīng)用潛力。它可以幫助自動(dòng)化地評(píng)估圖像質(zhì)量，從而加速圖像處理和改進(jìn)圖像生成任務(wù)。

總的來(lái)說(shuō)，NIMA 是一種基于深度學(xué)習(xí)的圖像質(zhì)量評(píng)價(jià)方法，它利用深度CNN模型從圖像中提取特征，并能夠輸出圖像的質(zhì)量分?jǐn)?shù)，使其成為自動(dòng)化圖像質(zhì)量評(píng)估的有力工具。這種方法對(duì)于需要大規(guī)模圖像質(zhì)量評(píng)估的應(yīng)用非常有用。

八、WaDIQaM

WaDIQaM（Wavelet Domain Image Quality Assessment Model）是一種用于圖像質(zhì)量評(píng)估的指標(biāo)或模型，它基于小波變換領(lǐng)域的方法。WaDIQaM 旨在測(cè)量數(shù)字圖像的質(zhì)量，特別是在壓縮和傳輸?shù)葢?yīng)用中，以確定圖像是否受到了失真或損壞。

WaDIQaM 的核心思想是利用小波變換來(lái)分析圖像的頻域特征和空域特征。小波變換是一種在圖像處理中常用的技術(shù)，可以將圖像分解成不同尺度的頻帶，從而更好地捕捉圖像的細(xì)節(jié)和結(jié)構(gòu)。

WaDIQaM 的主要步驟可能包括以下內(nèi)容：

1. 小波變換：首先，對(duì)待評(píng)估的圖像應(yīng)用小波變換，將其分解成不同的頻帶。這些頻帶表示圖像在不同尺度和方向上的特征。

2. 特征提取：從每個(gè)小波頻帶中提取特征，這些特征可以包括能量、對(duì)比度、頻譜特性等。這些特征有助于描述圖像的頻域特性。

3. 質(zhì)量評(píng)分：使用提取的特征計(jì)算圖像的質(zhì)量評(píng)分。評(píng)分通常是一個(gè)單一的值，表示圖像的質(zhì)量，較高的分?jǐn)?shù)表示較高的質(zhì)量，較低的分?jǐn)?shù)表示較低的質(zhì)量。

WaDIQaM 可以用于各種圖像處理和傳輸任務(wù)中，特別是在壓縮圖像、視頻傳輸、圖像增強(qiáng)和圖像復(fù)原等領(lǐng)域。通過分析圖像的頻域特征，WaDIQaM 可以幫助自動(dòng)化地檢測(cè)圖像失真和損壞，從而提高圖像傳輸和處理的質(zhì)量。

九、 BRISQUE

BRISQUE（Blind/Referenceless Image Spatial Quality Evaluator）是一種用于圖像質(zhì)量評(píng)估的盲評(píng)價(jià)（不需要參考圖像）模型。它旨在自動(dòng)化地評(píng)估數(shù)字圖像的質(zhì)量，而不依賴于原始高質(zhì)量圖像（參考圖像）。

BRISQUE 是一種基于統(tǒng)計(jì)特征的圖像質(zhì)量評(píng)估方法，它使用了圖像的局部和全局統(tǒng)計(jì)特征，通過分析這些特征來(lái)估計(jì)圖像的失真程度。以下是 BRISQUE 的一些關(guān)鍵特點(diǎn)和工作原理：

1. 特征提取：BRISQUE 首先對(duì)待評(píng)估的圖像應(yīng)用局部和全局的統(tǒng)計(jì)特征提取算法。這些特征可能包括圖像的均值、方差、梯度信息、對(duì)比度、顏色分布等。

2. 失真建模：BRISQUE 使用了一個(gè)模型來(lái)建模原始圖像和失真圖像之間的差異。這個(gè)模型考慮了不同特征之間的關(guān)聯(lián)性，并計(jì)算出圖像的失真度。

3. 質(zhì)量評(píng)分：BRISQUE 輸出一個(gè)質(zhì)量評(píng)分，表示圖像的失真程度。較低的分?jǐn)?shù)通常表示圖像質(zhì)量較高，而較高的分?jǐn)?shù)表示圖像可能存在較大的失真。

4. 訓(xùn)練和測(cè)試：BRISQUE 模型通常在一個(gè)大規(guī)模的圖像數(shù)據(jù)庫(kù)上進(jìn)行訓(xùn)練，以學(xué)習(xí)特征與圖像質(zhì)量之間的關(guān)系。然后，該模型可以用于對(duì)新的圖像進(jìn)行質(zhì)量評(píng)估，而不需要參考圖像。

BRISQUE 在圖像處理、圖像傳輸和圖像增強(qiáng)等領(lǐng)域中有廣泛的應(yīng)用。它是一種無(wú)參考圖像質(zhì)量評(píng)估方法，可以自動(dòng)化地檢測(cè)和評(píng)估圖像的失真，從而幫助改進(jìn)圖像處理和傳輸任務(wù)的質(zhì)量控制。