1.本发明涉及图像处理与计算机视觉技术领域，尤其涉及一种无参考图像质量评价数据确定方法和装置。
背景技术：2.图像质量评价是计算机视觉和图像处理领域的一个基本课题，它倾向于像人一样评价图像的感知质量。随着移动互联网和人工智能产业的发展，图像质量评价不仅对人们日常生活中的用户生成内容评价非常有用，而且也被广泛需要于其他计算机视觉任务中。几十年来，图像质量评价方法引起了广泛的关注。由于在许多现实场景中缺乏参考图像，无参考图像质量评价在实际应用中经常使用。
3.近年来，深度学习技术由于对复杂非线性回归问题的强大学习能力，在许多视觉任务中取得了不错的效果。因此，许多基于深度神经网络的方法被引入到无参考图像质量评价任务中，通过学习大量具有平均意见得分标签的图像来实现无参考图像质量评价任务。这些深度模型包含了数百万个参数，并且需要大量的样本来进行训练。然而，获得可靠的主观质量分数是一个非常耗时和繁琐的过程，因此现有的图像质量评价数据集的规模相对较小，图像内容的多样性不够。此外，也不可能列举真实世界图像的每一种失真情况，训练后的无参考图像质量评价网络模型的泛化能力和鲁棒性仍然不能满足实际需求。
技术实现要素：4.本发明提供一种无参考图像质量评价数据确定方法和装置，用以解决现有技术中图像质量评价数据集的规模相对较小，图像内容的多样性不够。此外，也不可能列举真实世界图像的每一种失真情况，训练后的无参考图像质量评价网络模型的泛化能力和鲁棒性仍然不能满足实际需求的缺陷。
5.本发明提供一种无参考图像质量评价数据确定方法，包括：
6.获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；
7.获取图像对，输入所述图像对至所述初始无参考图像质量评价模型，得到所述初始无参考图像质量评价模型输出的质量评价数据；
8.根据所述质量评价数据，得到所述图像对的伪标签，根据所述图像对和所述伪标签，得到目标真实图像数据集；
9.根据所述目标真实图像数据集训练所述初始无参考图像质量评价模型，得到目标无参考图像质量评价模型，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据。
10.根据本发明提供的一种无参考图像质量评价数据确定方法，所述初始无参考图像质量评价模型包括输入特征提取层、降采样及特征提取层、特征回归层；
11.所述输入特征提取层，用于对输入图像进行浅层特征提取并分解，得到多通道的第一特征图；
12.所述降采样及特征提取层，用于对所述第一特征图进行降采样和特征提取，得到第二特征图；
13.所述特征回归层，用于对所述第二特征图进行特征回归处理，得到输入图像的质量评价分数。
14.根据本发明提供的一种无参考图像质量评价数据确定方法，所述降采样及特征提取层包括多个降采样及特征提取模块。
15.根据本发明提供的一种无参考图像质量评价数据确定方法，所述获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型，包括：
16.获取多个带有主观标签的真实图像数据集，训练得到多个初始无参考图像质量评价模型。
17.根据本发明提供的一种无参考图像质量评价数据确定方法，所述根据所述质量评价数据，得到所述图像对的伪标签，包括：
18.根据所述质量评价数据，得到每个所述初始无参考图像质量评价模型对所述图像对质量评价的相对概率；
19.根据所述相对概率，得到所述图像对的伪标签。
20.根据本发明提供的一种无参考图像质量评价数据确定方法，所述根据所述相对概率，得到所述图像对的伪标签，包括：
21.计算所有所述相对概率的平均值，得到所述图像对的伪标签。
22.本发明还提供一种无参考图像质量评价数据确定装置，包括：
23.初始模型训练模块，用于获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；
24.初始评价确定模块，用于获取图像对，输入所述图像对至所述初始无参考图像质量评价模型，得到所述初始无参考图像质量评价模型输出的质量评价数据；
25.数据集生成模块，用于根据所述质量评价数据，得到所述图像对的伪标签，根据所述图像对和所述伪标签，得到目标真实图像数据集；
26.目标评价确定模块，用于根据所述目标真实图像数据集训练所述初始无参考图像质量评价模型，得到目标无参考图像质量评价模型，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据。
27.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述无参考图像质量评价数据确定方法。
28.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述无参考图像质量评价数据确定方法。
29.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述无参考图像质量评价数据确定方法。
30.本发明提供的无参考图像质量评价数据确定方法和装置，通过创建具有大量图像对和伪标签的真实图像数据集，扩大数据集的规模，增加图像内容的多样性，无需列举每一种失真情况，提高了鲁棒性和泛化能力。
附图说明
31.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1是本发明提供的无参考图像质量评价数据确定方法的流程示意图；
33.图2是本发明提供的初始无参考图像质量评价模型的结构示意图；
34.图3是本发明提供的图1中步骤s130的流程示意图；
35.图4是本发明提供的生成伪标签的流程示意图；
36.图5是本发明提供的无参考图像质量评价数据确定装置的结构示意图；
37.图6是本发明提供的电子设备的结构示意图。
具体实施方式
38.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.在本技术实施例的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
40.在本技术实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术实施例中的具体含义。
41.在本技术实施例中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
42.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征
进行结合和组合。
43.图1是本发明提供的无参考图像质量评价数据确定方法的流程示意图；参照图1，本发明提供一种无参考图像质量评价数据确定方法，包括：
44.s110，获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；
45.s120，获取图像对，输入所述图像对至所述初始无参考图像质量评价模型，得到所述初始无参考图像质量评价模型输出的质量评价数据；
46.s130，根据所述质量评价数据，得到所述图像对的伪标签，根据所述图像对和所述伪标签，得到目标真实图像数据集；
47.s140，根据所述目标真实图像数据集训练所述初始无参考图像质量评价模型，得到目标无参考图像质量评价模型，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据。
48.在步骤s110中，带有主观标签的真实图像数据集为现有的规模较小的真实无参考图像质量评价数据集。训练得到初始无参考图像质量评价模型指的是，将主观标签的真实图像数据集中的带有主观标签的真实图像输入至设定的模型结构中，训练得到初始无参考图像质量评价模型。
49.在步骤s120中，获取图像对指的是从包含大量的不同类别的真实失真图像数据集中随机选取两个图像，作为图像对。
50.在步骤s130中，根据所述图像对和所述伪标签，得到目标真实图像数据集；为包含大量的不同类别的真实失真图像数据集中的图像建立伪标签，可以用以训练出一个鲁棒的无参考图像质量评价模型。
51.在步骤s140中，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据，获取待评价图像并将待评价图像输入至所述目标无参考图像质量评价模型，所述目标无参考图像质量评价模型即可输出无参考图像质量评价数据。
52.可以理解的是，本技术实施例提供的无参考图像质量评价数据确定方法，通过创建具有大量图像对和伪标签的真实图像数据集，扩大数据集的规模，增加图像内容的多样性，无需列举每一种失真情况，提高了鲁棒性和泛化能力。
53.在上述实施例的基础上，作为一个优选的实施例，如图2所示，所述初始无参考图像质量评价模型包括输入特征提取层、降采样及特征提取层、特征回归层；
54.所述输入特征提取层，用于对输入图像进行浅层特征提取并分解，得到多通道的第一特征图；
55.所述降采样及特征提取层，用于对所述第一特征图进行降采样和特征提取，得到第二特征图；
56.所述特征回归层，用于对所述第二特征图进行特征回归处理，得到输入图像的质量评价分数。
57.可选的，所述降采样及特征提取层包括多个降采样及特征提取模块。
58.具体的，所述输入特征提取层可由一个卷积核尺寸为3x3步长为1的卷积层，批处理归一化层和relu激活函数层构成，用于浅层特征提取并将输入图像分解为c通道的特征图。本实例中c取48。
59.具体的，每个所述降采样及特征提取层可包括：一个卷积核尺寸为3x3步长为2的卷积层，四个残差块。具体的，每个残差块包含一个卷积核尺寸为3x3步长为1的卷积层、一个relu激活函数层，一个卷积核尺寸1x1为步长为1的卷积层，第二个relu激活函数层，第二个卷积核尺寸为3x3步长为1的卷积层，以及一条从残差块的输入到第二个3x3卷积层之后的残差连接。每经过一次降采样层后，图像通道数提升两倍，最终图像通过降采样及特征提取模块后，特征图维度为16xc。在本实例中，最终特征图维度为768。
60.具体的，所述特征回归层包括一个全局自适应平均池化层，全连接层1(本实例中输入为768，输出为512)，批处理归一化层，relu激活函数层，全连接层2(本实例中输入为512，输出为1)，最后通过sigmoid函数层输出图像质量评价分数。
61.可以理解的是，本技术通过设置一个输入特征提取层和四个降采样及特征提取模块，提高了图像特征采集的精度。
62.在上述实施例的基础上，作为一个优选的实施例，所述获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型，包括：
63.获取多个带有主观标签的真实图像数据集，训练得到多个初始无参考图像质量评价模型。
64.具体的，可通过n个带有主观标签的真实图像数据集，训练得到n个初始无参考图像质量评价模型，每个真实图像数据集对应一个初始无参考图像质量评价模型。
65.可选的，如图3和图4所示，所述根据所述质量评价数据，得到所述图像对的伪标签，包括：
66.s310，根据所述质量评价数据，得到每个所述初始无参考图像质量评价模型对所述图像对质量评价的相对概率；
67.s320，根据所述相对概率，得到所述图像对的伪标签。
68.在步骤s310中，获取图像对(x，y)，使用和来表示图像x和y通过第i个初始无参考图像质量评价模型得到的质量评价数据，即质量评分值。质量评分值的计算公式如下：q
x
＝q(x)，qy＝q(y)。
69.每个所述初始无参考图像质量评价模型对所述图像对质量评价的相对概率的计算公式如下：
[0070][0071]
可选的，在步骤s320中，所述根据所述相对概率，得到所述图像对的伪标签，包括：
[0072]
计算所有所述相对概率的平均值，得到所述图像对的伪标签。
[0073]
得到每个所述初始无参考图像质量评价模型对所述图像对质量评价的相对概率后，计算图像对(x，y)对应的伪标签pr(x,y)，计算公式如下：
[0074][0075]
其中，n为初始无参考图像质量评价模型的总数，比如在本实施例中n取值为4。
[0076]
可以理解的是，本技术实施例通过生成图像对的伪标签，相当于为真实世界图像
的每一种失真情况建立了标签，代替了人工主观质量标注的过程，提高了工作效率，并且能够扩大图像质量评价数据集的规模，用以提高训练后的模型的泛化能力和鲁棒性。
[0077]
下面对本发明提供的无参考图像质量评价数据确定装置进行描述，下文描述的无参考图像质量评价数据确定装置与上文描述的无参考图像质量评价数据确定方法可相互对应参照。
[0078]
图5是本发明提供的无参考图像质量评价数据确定装置的结构示意图；参照图5，本发明还提供一种无参考图像质量评价数据确定装置，包括：
[0079]
初始模型训练模块510，用于获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；
[0080]
初始评价确定模块520，用于获取图像对，输入所述图像对至所述初始无参考图像质量评价模型，得到所述初始无参考图像质量评价模型输出的质量评价数据；
[0081]
数据集生成模块530，用于根据所述质量评价数据，得到所述图像对的伪标签，根据所述图像对和所述伪标签，得到目标真实图像数据集；
[0082]
目标评价确定模块540，用于根据所述目标真实图像数据集训练所述初始无参考图像质量评价模型，得到目标无参考图像质量评价模型，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据。
[0083]
作为一个实施例，所述初始无参考图像质量评价模型包括输入特征提取层、降采样及特征提取层、特征回归层；
[0084]
所述输入特征提取层，用于对输入图像进行浅层特征提取并分解，得到多通道的第一特征图；
[0085]
所述降采样及特征提取层，用于对所述第一特征图进行降采样和特征提取，得到第二特征图；
[0086]
所述特征回归层，用于对所述第二特征图进行特征回归处理，得到输入图像的质量评价分数。
[0087]
可选的，所述降采样及特征提取层包括多个降采样及特征提取模块。
[0088]
作为一个实施例，所述初始模型训练模块510用于：
[0089]
获取多个带有主观标签的真实图像数据集，训练得到多个初始无参考图像质量评价模型。
[0090]
作为一个实施例，所述数据集生成模块530用于：
[0091]
根据所述质量评价数据，得到每个所述初始无参考图像质量评价模型对所述图像对质量评价的相对概率；
[0092]
根据所述相对概率，得到所述图像对的伪标签。
[0093]
可选的，所述根据所述相对概率，得到所述图像对的伪标签，包括：
[0094]
计算所有所述相对概率的平均值，得到所述图像对的伪标签。
[0095]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行无参考图像质量评价数据确定方法，该方法包括：
[0096]
获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；
[0097]
获取图像对，输入所述图像对至所述初始无参考图像质量评价模型，得到所述初始无参考图像质量评价模型输出的质量评价数据；
[0098]
根据所述质量评价数据，得到所述图像对的伪标签，根据所述图像对和所述伪标签，得到目标真实图像数据集；
[0099]
根据所述目标真实图像数据集训练所述初始无参考图像质量评价模型，得到目标无参考图像质量评价模型，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据。
[0100]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0101]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的无参考图像质量评价数据确定方法，该方法包括：
[0102]
获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；
[0103]
获取图像对，输入所述图像对至所述初始无参考图像质量评价模型，得到所述初始无参考图像质量评价模型输出的质量评价数据；
[0104]
根据所述质量评价数据，得到所述图像对的伪标签，根据所述图像对和所述伪标签，得到目标真实图像数据集；
[0105]
根据所述目标真实图像数据集训练所述初始无参考图像质量评价模型，得到目标无参考图像质量评价模型，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据。
[0106]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的无参考图像质量评价数据确定方法，该方法包括：
[0107]
获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；
[0108]
获取图像对，输入所述图像对至所述初始无参考图像质量评价模型，得到所述初始无参考图像质量评价模型输出的质量评价数据；
[0109]
根据所述质量评价数据，得到所述图像对的伪标签，根据所述图像对和所述伪标签，得到目标真实图像数据集；
[0110]
根据所述目标真实图像数据集训练所述初始无参考图像质量评价模型，得到目标无参考图像质量评价模型，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据。
[0111]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可
以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0112]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0113]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
技术特征：1.一种无参考图像质量评价数据确定方法，其特征在于，包括：获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；获取图像对，输入所述图像对至所述初始无参考图像质量评价模型，得到所述初始无参考图像质量评价模型输出的质量评价数据；根据所述质量评价数据，得到所述图像对的伪标签，根据所述图像对和所述伪标签，得到目标真实图像数据集；根据所述目标真实图像数据集训练所述初始无参考图像质量评价模型，得到目标无参考图像质量评价模型，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据。2.根据权利要求1所述的无参考图像质量评价数据确定方法，其特征在于，所述初始无参考图像质量评价模型包括输入特征提取层、降采样及特征提取层、特征回归层；所述输入特征提取层，用于对输入图像进行浅层特征提取并分解，得到多通道的第一特征图；所述降采样及特征提取层，用于对所述第一特征图进行降采样和特征提取，得到第二特征图；所述特征回归层，用于对所述第二特征图进行特征回归处理，得到输入图像的质量评价分数。3.根据权利要求2所述的无参考图像质量评价数据确定方法，其特征在于，所述降采样及特征提取层包括多个降采样及特征提取模块。4.根据权利要求1所述的无参考图像质量评价数据确定方法，其特征在于，所述获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型，包括：获取多个带有主观标签的真实图像数据集，训练得到多个初始无参考图像质量评价模型。5.根据权利要求4所述的无参考图像质量评价数据确定方法，其特征在于，所述根据所述质量评价数据，得到所述图像对的伪标签，包括：根据所述质量评价数据，得到每个所述初始无参考图像质量评价模型对所述图像对质量评价的相对概率；根据所述相对概率，得到所述图像对的伪标签。6.根据权利要求5所述的无参考图像质量评价数据确定方法，其特征在于，所述根据所述相对概率，得到所述图像对的伪标签，包括：计算所有所述相对概率的平均值，得到所述图像对的伪标签。7.一种无参考图像质量评价数据确定装置，其特征在于，包括：初始模型训练模块，用于获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；初始评价确定模块，用于获取图像对，输入所述图像对至所述初始无参考图像质量评价模型，得到所述初始无参考图像质量评价模型输出的质量评价数据；数据集生成模块，用于根据所述质量评价数据，得到所述图像对的伪标签，根据所述图像对和所述伪标签，得到目标真实图像数据集；目标评价确定模块，用于根据所述目标真实图像数据集训练所述初始无参考图像质量
评价模型，得到目标无参考图像质量评价模型，所述目标无参考图像质量评价模型用以确定无参考图像质量评价数据。8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述无参考图像质量评价数据确定方法。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述无参考图像质量评价数据确定方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述无参考图像质量评价数据确定方法。
技术总结本发明提供一种无参考图像质量评价数据确定方法和装置，方法包括：获取带有主观标签的真实图像数据集，训练得到初始无参考图像质量评价模型；获取图像对并输入至初始无参考图像质量评价模型，得到初始无参考图像质量评价模型输出的质量评价数据；根据质量评价数据，得到图像对的伪标签，根据图像对和伪标签，得到目标真实图像数据集；根据目标真实图像数据集训练初始无参考图像质量评价模型，得到目标无参考图像质量评价模型，目标无参考图像质量评价模型用以确定无参考图像质量评价数据。本发明通过创建具有大量图像对和伪标签的真实图像数据集，扩大数据集的规模，增加图像内容的多样性，无需列举每一种失真情况，提高了鲁棒性和泛化能力。棒性和泛化能力。棒性和泛化能力。
技术研发人员：赵洋 马志亮 陈缘 曹力 李琳 刘晓平
受保护的技术使用者：合肥工业大学
技术研发日：2022.07.05
技术公布日：2022/11/1
