Page 132 - 《武汉大学学报（信息科学版）》2025年第10期

第 50 卷第 10 期 卢朝晖等：交通目标特定区域的图像质量评估 2067

图 3 基于协同学习的生成式伪参考图的图像质量评估示意图
Fig. 3 Diagram of Image Quality Assessment of Generative Pseudo Reference Image Based on Collaborative Learning
在以参考图 1.3.2 基于伪参考的图像质量评估模块
具体而言，记 s x 1 |x 2 为测试图像 I x 1
为条件时所获得的质量评估分数，则这两组 由于生成网络能够产生伪参考图，能够将图
像 I x 2
基线分别为：（1）在理想图像 I r 作为参考图像时， 像质量评估器转变成基于伪参考的图像质量评
退化图像 I d 作为测试图像所获得的质量评估分 估模型。为了与伪参考图的特征做对比分析，将
数 s d|r ；（2）在理想图像 I r 作为参考图像时，理想图 两个图像的特征图看作双变化因子，通过双线性
像 I r 作为测试图像时所获得的质量评估分数 s r|r 。 池化进行特征融合，对融合后的特征进行欧氏空
同时，分别设置与两组基线相对照的两组实验， 间变换和回归分析，完成图像质量分数的评估。
分别为：（3）在重建图像 I c 作为参考图像时，退化 具体而言，网络模型如图 4 所示，质量评估网
图 像 作 为 测 试 图 像 所 获 得 的 质 量 评 估 分 数 s d|c ； 络包含特征提取器 ψ ( )、双线性池化以及回归器
（4）在重建图像 I c 作为参考图像时，理想图像 I r 作 h ( )。给定测试图像 I x 和参考图像 I y，使用特征提
为测试图像所获得的质量评估分数 s r|c 。 取 器 ψ，分 别 得 到 对 应 的 图 像 特 征 H x =
图像样本标签的判定与该图像作为输入是 ψ ( I x )∈ R ( h x × w x )× d 和 H y = ψ ( I y )∈ R ( h y × w y )× d ，其 中
否能够提升质量评估器的性能有关，标签判定的 d 为特征图通道数， h x、w x、h y、w y 为特征图的长宽
规则为：对于理想图像 I r，始终将其定义为真样本 维度，满足 h x × w x = h y × w y。使用双线性池化
T
标 签 ；对 于 重 建 图 像 I c，如 果 s r|c > s r|r 或 者 对两个特征进行融合得到 H x|y = H y H x，此时 H x|y
s d|c < s d|r ，说 明 其 能 帮 助 提 升 质 量 评 估 网 络 的 性 维度为 d × d。对融合后的特征矩阵 H x|y 做矩归
能，对其赋值为真样本标签。为了使鉴别器能够 一化和 L 2 归一化，使得在黎曼流形上的表征 H x|y
区分图像的真假性，同时能够结合质量评估任务 变换到欧氏空间中：
学习，本文提出了一种对抗损失函数： sgn ( H x|y )⊙ |H x|y |
͂
H x|y = （6）
L 3 =-∑( lg d ( I r )+ lg (1 - a ) ) （3） ‖ sgn ( H x|y )⊙ |H x|y |‖ 2
ìd ( I d ),s r|c > s r|r 或s d|c < s d|r 式中， ⊙ 为元素乘积； sgn 为符号函数。将欧氏空
a = í （4）
͂
î 1 - d ( I d ),其他 间中的 H x|y 输入到一个全连接神经网络层 h ( )，通
通过控制 a，实现真假样本标签的赋值，协同 过 逻 辑 回 归 的 方 式 得 到 图 像 质 量 分 数 s x|y =
͂
学习 GAN 和质量评估器。同时，训练阶段的总 h ( H x|y )。
损失函数为： 给定待测图像质量分数 s，使用 L 2 损失函数
（5） 训练图像质量评估网络：
L = α 1 L 1 + α 2 L 2 + α 3 L 3 + L 4
式中， α 1、 α 2、 α 3 为平衡超参数； L 为图像质量评估 L 4 = ∑ ‖s x|y - s‖ 2 2 （7）
的损失函数。在训练时，特征提取网络 ϕ 保持不 在 GAN 训练中，当退化图像为测试图像时，
变，生成器 g ( )、鉴别器 d ( )及图像质量评估器 r ( ) 其质量分数真值被设置为低，当理想图像为测试
的参数被更新。 图像时，其质量分数真值被设置为高。