DiffIQA

DiffIQA是一个大规模的图像质量评估数据库，包含大约180,000张由基于扩散的图像增强器生成的图像。每张图像都由人类受试者注释其质量，与参考图像相比，质量被标注为更差、相似或更好。

DiffIQA is a large-scale image quality assessment database comprising approximately 180,000 images generated by diffusion-based image enhancers. For each image, human subjects annotated its quality relative to a reference image, with the quality rated as worse, similar, or better.

原始信息汇总

A-FINE 数据集概述

1. 数据集简介

• 名称: A-FINE (Adaptive Fidelity-Naturalness Evaluator)
• 用途: 图像质量评估（IQA）
• 特点: 针对不完美参考图像的质量评估
• 论文: "Toward Generalized Image Quality Assessment: Relaxing the Perfect Reference Quality Assumption" (CVPR 2025)

2. 数据集内容

2.1 DiffIQA 数据集

• 数据量: 约180,000张图像
• 生成方式: 基于扩散模型的图像增强器生成
• 标注: 每张图像标注为比参考图像更差、相似或更好
• 下载链接: Google Drive

2.2 SRIQA-Bench 数据集

• 数据量: 1100张图像（100原始图像 + 1000超分辨率图像）
• 生成方式: 10种超分辨率方法生成
• 标注: 55000个标签，40人参与标注
• 下载链接: Google Drive

3. 数据集结构

3.1 SRIQA-Bench 结构

SRIQA-Bench ├── LRImages ├── images │ ├── SwinIR │ ├── RealESRNet │ ├── ... │ └── Original ├── MOS ├── MOS_Reg ├── MOS_Gen └── labels ├── A ├── B ├── ... └── J

4. 使用说明

4.1 快速开始

• 环境要求:
  • Python 3.10
  • PyTorch 2.0
  • CUDA 11.8
• 预训练模型下载:
  • CLIP ViT-B-32.pt: OPENAI
  • afine.pth: Google Drive

4.2 推理

bash cd QuickInference python afine.py --pretrain_CLIP_path [path] --afine_path [path] --dis_img_path [path] --ref_img_path [path]

5. 评分说明

• A-FINE 分数: D(ref, dis) ∈ (-∞, +∞), D(ref, dis)_s ∈ (0, 100)
• MOS 分数: ∈ (0, 100), 越高越好

6. 版权声明

• 用途限制: 仅限非商业学术研究
• 禁止行为: 商业用途、复制、发布或分发数据集

搜集汇总

数据集介绍

构建方式

DiffIQA数据集的构建基于扩散模型生成的图像增强技术，通过调整超参数生成了约180,000张图像。每张图像与其参考图像进行对比，并由人类标注者进行质量评估，标注为‘更差’、‘相似’或‘更好’。这一过程旨在挑战传统全参考图像质量评估（FR-IQA）模型对参考图像完美质量的假设，从而推动图像质量评估领域的发展。

使用方法

使用DiffIQA数据集时，研究人员可以通过对比测试图像与参考图像的质量，评估和改进图像质量评估模型。数据集特别适用于训练和验证新型FR-IQA模型，如A-FINE模型，该模型能够自适应地结合图像的保真度和自然度进行质量评估。此外，数据集还可用于生成图像增强算法的性能基准测试，为图像处理领域的研究提供重要参考。

背景与挑战

背景概述

DiffIQA数据集由Du Chen、Tianhe Wu、Kede Ma和Lei Zhang等研究人员于2025年提出，旨在解决全参考图像质量评估（FR-IQA）领域中的关键问题。传统FR-IQA方法假设参考图像具有完美质量，然而现代成像系统的传感器和光学限制使得这一假设不再成立。此外，生成式增强方法能够生成比原始图像质量更高的图像，进一步挑战了现有FR-IQA模型的有效性。DiffIQA数据集包含约18万张通过扩散模型生成的图像，每张图像都经过人工标注，标注结果分为比参考图像质量更差、相似或更好三类。该数据集的提出为开发更通用的FR-IQA模型提供了重要基础，推动了图像质量评估领域的发展。

当前挑战

DiffIQA数据集面临的挑战主要体现在两个方面。首先，在领域问题方面，传统FR-IQA模型依赖于参考图像的完美质量假设，而实际应用中参考图像可能存在质量缺陷，导致模型评估结果不准确。DiffIQA数据集通过引入不完美参考图像，挑战了这一假设，要求模型能够在不完美参考条件下进行准确评估。其次，在数据集构建过程中，如何生成大量高质量且多样化的图像，并确保人工标注的一致性和准确性，是构建DiffIQA数据集的主要挑战。此外，如何设计一个能够自适应结合图像保真度和自然度的评估模型，也是该数据集研究中的核心难题。

常用场景

经典使用场景

DiffIQA数据集在图像质量评估领域具有广泛的应用，特别是在全参考图像质量评估（FR-IQA）中。该数据集通过引入扩散增强器生成的图像，打破了传统FR-IQA模型对参考图像完美质量的假设。研究人员可以利用DiffIQA数据集来验证和改进图像质量评估模型，尤其是在参考图像质量不完美的情况下。通过对比生成图像与参考图像的质量，DiffIQA为图像增强算法的性能评估提供了新的基准。

解决学术问题

DiffIQA数据集解决了传统FR-IQA模型在参考图像质量不完美时的局限性问题。传统模型假设参考图像具有最佳质量，而现代成像系统和生成增强方法往往能够生成比原始图像质量更高的图像。DiffIQA通过提供大量由扩散增强器生成的图像及其人类标注的质量评分，帮助研究人员开发出更通用的图像质量评估模型，如A-FINE模型，从而在参考图像质量不完美的情况下仍能准确评估图像质量。

实际应用

DiffIQA数据集在实际应用中具有重要价值，特别是在图像增强和超分辨率领域。通过该数据集，研究人员可以评估不同图像增强算法的性能，尤其是在生成图像质量优于参考图像的情况下。此外，DiffIQA还为图像处理系统的开发提供了可靠的评估基准，帮助优化图像增强算法，提升图像处理系统的整体性能。

数据集最近研究

最新研究方向

在图像质量评估领域，DiffIQA数据集的推出标志着对传统全参考图像质量评估（FR-IQA）模型的重大突破。传统FR-IQA模型通常假设参考图像具有完美质量，然而，现代成像系统的传感器和光学限制以及生成增强方法的进步使得这一假设不再适用。DiffIQA数据集通过引入扩散增强器生成的约18万张图像，并结合人类主观评价，为研究提供了丰富的实验数据。基于此，A-FINE模型应运而生，其通过自适应地结合图像的保真度和自然度，显著提升了在完美和不完美参考条件下的评估性能。这一研究方向不仅推动了图像质量评估技术的发展，还为生成模型的应用提供了新的评估标准，具有重要的理论和实践意义。