Page 131 - 《武汉大学学报（信息科学版）》2025年第10期

2066 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 10 月

图 2 特定区域识别模块示意图（指定车辆的挡风玻璃区域检测）
Fig. 2 Illustration of Specific Areas Recognition Module (Windshield Detection of Designated Vehicles)
1.3 无参考图像质量评估模块 要求特征提取器具有良好的特征提取能力，另一
为了结合基于参考图和无真实参考图的图 方面，为了保留重建图像的噪声，需要选取具有
像 质 量 评 估 方 法 的 优 点 ，受 生 成 对 抗 网 络 ［14-15］ 弱的抗噪能力的特征提取器；对抗损失是为了学
（generative adversarial network， GAN）启 发 ，本 会鉴别输入图像是否是真样本或假样本，真假样
文提出了一种协同质量评估的对抗学习网络和 本标签的判断与图像质量评估任务协同，即如果
新的对抗训练方式，通过生成重建图像为伪参考 生成图像能帮助提升对实际图像的质量评估性
图像，从而将较困难的无参考图像质量评估问题 能，那么它被赋予真样本标签。
转变成相对简单的有参考图像质量评估问题。 具体而言，分别记理想图像为 I r、退化图像为
本质上，本文方法未借助真实参考图像，仍 I d、重建图像为 I c，为了产生成对的退化图像与重
然属于无参考图像质量评估的范畴。同时，尽管 建图像，如图 3（a）所示，在生成器模块中，先使用
本文所生成的伪参考图可能图像质量较好，但是 理想图像（图像质量高的图像，从数据集中选取）
它不能代替原始图像作为后续任务（例如有关部 通过随机退化的方式转变成退化图像；然后通过
门执法时对证据的选取）的输入。一方面因为这 生成器将退化图像恢复为重建图像。
些后续任务需要原始图像保证证据的真实性，另 为 了 训 练 生 成 器 ，采 用 像 素 损 失 和 特 征 损
一方面因为本文中的模型比较关注伪参考图对 失，如图 3（b）所示，像素损失是理想图像和重建
图像质量评估任务的贡献，保留对图像质量有益 图像的像素点的 L 1 损失：
的特征，而忽略伪参考图本身的某些其他图像特 L 1 = ∑ ||g ( I d )- I r || 2 2 （1）
征，这可能导致伪参考图的部分信息丢失。 式中， g ( ) 为生成器。特征损失为重建图像和理
1.3.1 结合质量评估和协同学习的伪参考图的生成 想图像特征之间的 L 2 损失：
本文设计的对抗网络联合了图像质量评估 L 2 = ∑ ||ϕ( g ( I d ) )- ϕ( I r )|| 2 2 （2）
网络，通过两者的协同学习，以对抗训练的方式 式中， ϕ 为特征提取器，可以使用预训练的浅层网
生成有助于提升图像质量评估的伪参考图。因 络，比如 VGG-19 ［16］ ，预训练的网络保证其具有良
此，要求该对抗网络具有以下特点：（1）生成图像 好的特征提取能力，浅层的网络保证其具有弱的
和理想图像的像素距离较小；（2）生成图像和理 去噪能力，确保能捕捉失真信息。
想图像的特征距离较小；（3）生成图像能够提升 此外，本文还提出了与鉴别器模块相对应的
真实图像的质量评估的性能。 对抗损失，如图 3（c）所示。目的是学会鉴别输入
基于这 3 点，本文提出了像素损失、特征损失 图像是否是真样本或假样本。为了得到输入图
和对抗损失。像素损失是理想图像和重建图像 像的真值标签，本文结合了图像质量评估任务，
的像素点之间的损失，惩罚重建图像和理想图像 并设置两组基线。即使输入图像不是特别清晰
之间每个像素点的不同；特征损失的目的是降低 的重建图像，与基线相比较，如果它能帮助提升
重建图像的特征和理想图像的特征的差距，一方 对实际预测图像的质量评估器的性能，那么它可
面，为了能够提供结构化和纹理化的特征信息， 被赋予真样本标签。