"

无需人工标注 的盲图像质量评估：用 贝叶斯推理 蒸馏标签，用自适应转移矩阵校正噪声。

—— 陈晟濠、姜文超

论文题目：《基于贝叶斯推理和自适应转移矩阵的无人工标签图像质量评价》

第一作者：陈晟濠（广东工业大学计算机学院 硕士研究生）

通信作者：姜文超（副教授，主要研究方向：云计算、图像处理）

合作者：吴涛（武警广东总队医院）

通讯单位：广东工业大学 计算机学院

论文DOI：10.12052/gdutxb.250192｜刊发于《广东工业大学学报》2026年 第43卷 第5期 25–35页

01全文速览

        盲图像质量评估（Blind Image Quality Assessment, BIQA）无需参考图像即可直接预测感知质量，应用价值突出，但模型训练历来依赖 昂贵的人工主观评分（MOS） 。为了摆脱这一依赖，现有方法多以全参考图像质量评估（FR-IQA）指标作为代理生成伪标签，但代理标签与人类真实感知之间存在系统性偏差，会引入 大量标签噪声 ，影响评估准确性。

        本文提出 自适应转移矩阵学习的BIQA方法（ATML-BIQA） ：首先将高质量参考图像合成失真图像并随机配对，由8种FR-IQA模型充当“伪标注员”为每对图像分配伪二元标签；随后基于卷积神经网络的BIQA模型在这些标签上训练，经贝叶斯推理生成 贝叶斯最优标签 ；最后设计自适应实例转移矩阵（Adaptive Instance Transition Matrix, AITM）建模伪标签与最优标签之间的关系，完成标签噪声校正，并用校正后的标签重新训练BIQA模型生成最终质量评分。

        整个流程 无需任何人工标注 ，实验证明该方法在仿真失真与真实失真数据集上的 准确性和泛化能力均优于现有BIQA方法 。

02背景介绍

        图像质量评估是图像处理与计算机视觉领域的 基础任务 。盲图像质量评估（BIQA）无需参考图像即可直接预测感知质量，最具应用价值；但其模型的训练历来依赖大规模人工主观评分——组织观察者打分既昂贵又耗时，成为 制约BIQA发展的关键瓶颈 。

        一种自然的思路是用FR-IQA指标作为“代理”，为失真图像自动生成伪标签。然而，代理标签与人类真实感知之间存在系统性偏差；已有的无人工标签方法（如ILNIQE、MDFS）多基于自然场景统计模型拟合，面对复杂多样的失真模式时性能受限。如何在没有干净标签的条件下，建模并校正 “噪声标签→真实质量”的映射关系 ，是无人工标签BIQA的核心难题。

03本文亮点

建立无人工标签的端到端训练范式

        完全摆脱对人工主观评分（MOS/DMOS）的依赖，仅使用合成失真图像与FR-IQA伪标注完成训练，将BIQA的数据成本从“组织人工实验”降低到 “程序自动生成” 。

多“标注员”协同与贝叶斯标签蒸馏

        采用 8种FR-IQA模型作为伪标注者 生成伪二元标签，并通过贝叶斯推理（基于CDF置信度阈值过滤）构建 贝叶斯最优标签训练集 ，从源头压缩标签噪声。

自适应实例转移矩阵（AITM）校正噪声

        设计 双通道噪声建模机制 ，同时捕捉标注者相关与样本特定的标签噪声，建立噪声标签与真实标签之间的转移关系；将转移矩阵引入损失校正机制后，BIQA模型能更准确地 逼近真实的潜在质量分布 ，在弱监督条件下实现稳健训练。

04图文解析

 图1. 网络整体框架图

        ATML-BIQA框架包含3个模块：(1) 采集贝叶斯最优标签——合成失真图像对、获取伪标签以估计转移矩阵；(2) 实例相关转移网络训练——学习 实例特定的转移行为 ；(3) 基于AITM生成的校正标签进行BIQA模型训练，实现 无需人工标注的端到端优化 。

 图2. 本文模型与NIQE之间的gMAD竞赛结果对比图

        在gMAD竞赛定性评估中，面对NIQE发起的攻击，本文方法能够正确判定图像对的感知质量相近， 成功抵御攻击 ；而由本文模型发起攻击时，则能有效识别出NIQE判定的反例，说明其对感知质量的排序 更符合人类视觉 。

 图3. 本文模型与RankIQA之间的gMAD竞赛结果对比图

        与RankIQA的对比表明，两者互能揭示对方的失效样例，说明本文方法与RankIQA在感知质量评估中捕捉到 互补的信息特征 。

           0.888 / 0.902                              0.612 / 0.615

                          仿真失真数据集平均SROCC / PLCC                            真实失真数据集平均SROCC / PLCC

        在定量实验上，该方法在LIVE、CSIQ、KADID-10k三个仿真失真数据集上平均SROCC/PLCC达到 0.888/0.902 ，优于OF-BIQA、MDFS等先进方法；在SPAQ、LIVEC、KonIQ-10k三个真实失真数据集上平均达到0.612/0.615，优于同类无需人工标签的方法，体现了应对复杂真实世界失真的 强泛化能力与鲁棒性 。

∞ 研究意义与展望

        本研究 显著降低了盲图像质量评估对昂贵人工标注的依赖 ，通过自适应建模标注噪声，克服了传统代理标签准确性不足的问题。AITM的双通道设计为“噪声伪标签→真实质量分布”的映射建模提供了一条可解释的技术路径，转移矩阵与损失校正机制的结合使 弱监督条件下的稳健训练 成为可能。

        该方法为无监督或弱监督环境下的盲图像质量评估提供了一种 高效且稳健的新范式 ，也可迁移至其他存在标签噪声的机器学习任务中。

论文引用：

陈晟濠, 姜文超, 吴涛. 基于贝叶斯推理和自适应转移矩阵的无人工标签图像质量评价[J]. 广东工业大学学报, 2026, 43(5): 25-35. DOI: 10.12052/gdutxb.250192.

Chen Shenghao, Jiang Wenchao, Wu Tao. Human-label-free image quality assessment via bayesian inference and adaptive transition matrix[J]. Journal of Guangdong University of Technology, 2026, 43(5): 25-35. DOI: 10.12052/gdutxb.250192.

查看原文信息：https://xbzrb.gdut.edu.cn/article/doi/10.12052/gdutxb.250192

编辑：张玮欣     复审：姜文超   审核：赵少飞

支持单位：