DiffIQA

DiffIQA是一个由香港理工大学、城市大学和OPPO研究院创建的大规模图像质量评估数据集。该数据集包含了大约180,000张图像，这些图像是通过调整扩散增强方法的超参数生成的，质量相对于参考图像有更差、相似或更好的变化。数据集中的图像均由人类进行质量标注，用于训练和评估图像质量评估模型。DiffIQA的构建旨在突破传统全参考图像质量评估中对完美参考图像质量的依赖，为图像质量评估研究提供了新的数据资源和挑战。

DiffIQA is a large-scale image quality assessment (IQA) dataset developed by The Hong Kong Polytechnic University, City University of Hong Kong, and OPPO Research Institute. This dataset comprises approximately 180,000 images generated by tuning the hyperparameters of diffusion enhancement methods, with their perceptual quality ranging from worse, similar, to better compared to the reference images. All images in the dataset have been manually annotated with quality scores, and are utilized for training and evaluating image quality assessment models. The construction of DiffIQA aims to break the limitation of traditional full-reference IQA methods that rely on perfect reference images, thereby providing novel data resources and research challenges for the field of image quality assessment.

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的图像增强技术，通过调整超参数生成约180,000张图像。每张图像与其参考图像进行对比，并由人类标注者根据感知质量进行标注，分为‘更差’、‘相似’或‘更好’三类。数据集生成过程中，采用了像素感知稳定扩散（PASD）方法，并结合了多种图像退化技术，以确保生成图像的质量多样性。主观测试通过不完全配对比较的方式进行，确保了数据集的广泛覆盖性和高质量标注。

特点

DiffIQA数据集的特点在于其规模庞大，包含约180,000张图像，且每张图像都经过人类标注。与传统的全参考图像质量评估（FR-IQA）数据集不同，DiffIQA放松了对参考图像完美质量的假设，允许测试图像的质量优于参考图像。此外，数据集中的图像通过扩散模型生成，具有独特的视觉特征，能够更好地模拟真实世界中的图像质量变化。

使用方法

DiffIQA数据集可用于训练和评估广义的全参考图像质量评估模型，如论文中提出的A-FINE模型。通过结合图像保真度和自然度评估，A-FINE能够在参考图像质量不完美的情况下进行准确的图像质量评估。使用DiffIQA时，研究人员可以通过对比测试图像与参考图像的质量，验证模型在不同场景下的性能。此外，数据集还可用于生成超分辨率图像质量评估基准（SRIQA-Bench），进一步验证模型在图像增强任务中的表现。

背景与挑战

背景概述

DiffIQA数据集由香港理工大学、香港城市大学和OPPO研究院的研究团队于2025年创建，旨在解决全参考图像质量评估（FR-IQA）中的完美参考假设问题。传统FR-IQA模型假设参考图像具有完美质量，然而现代成像系统的硬件和软件限制使得这一假设难以成立。DiffIQA通过引入基于扩散模型的图像增强技术，生成了约18万张图像，每张图像均通过人类主观评估标注其相对于参考图像的质量（更差、相似或更好）。该数据集不仅挑战了传统FR-IQA模型的适用性，还为图像质量评估领域提供了新的研究方向，特别是在生成式图像增强技术的背景下。

当前挑战

DiffIQA数据集面临的主要挑战包括两个方面：首先，传统FR-IQA模型在参考图像质量不完美时表现不佳，难以准确评估增强图像的质量。其次，数据集的构建过程中，生成图像的多样性和质量控制是一个复杂的问题。通过扩散模型生成图像时，需要调整超参数以确保生成图像的质量分布广泛且符合人类感知。此外，主观评估的规模庞大，涉及大量人类标注者，如何确保标注的一致性和准确性也是一个重要挑战。这些挑战推动了新型FR-IQA模型（如A-FINE）的开发，以更好地适应不完美参考条件下的图像质量评估。

常用场景

经典使用场景

DiffIQA数据集在图像质量评估（IQA）领域中被广泛用于测试和验证全参考图像质量评估（FR-IQA）模型的有效性。该数据集通过包含大量由扩散模型生成的图像，涵盖了从低质量到高质量的广泛图像质量范围，特别适用于评估在参考图像质量不完美的情况下，FR-IQA模型的性能表现。DiffIQA的经典使用场景包括图像增强算法的质量评估、超分辨率图像的质量比较以及生成模型输出图像的视觉质量分析。

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表现不佳的问题。传统FR-IQA模型通常假设参考图像是完美的，然而在实际应用中，参考图像可能由于传感器或光学系统的限制而存在质量缺陷。DiffIQA通过引入大量质量不完美的参考图像及其增强版本，打破了这一假设，使得研究者能够开发出更具鲁棒性的FR-IQA模型。该数据集的出现推动了广义FR-IQA模型的发展，特别是在处理增强图像和超分辨率图像时，显著提升了模型的评估精度和适用性。

衍生相关工作

DiffIQA数据集的发布催生了一系列相关研究工作，特别是在广义FR-IQA模型的设计和优化方面。基于DiffIQA，研究者提出了多种新的FR-IQA模型，如A-FINE（Adaptive FIdelity-Naturalness Evaluator），该模型通过自适应结合图像保真度和自然度评估，显著提升了在参考图像质量不完美时的评估性能。此外，DiffIQA还推动了超分辨率图像质量评估基准（SRIQA-Bench）的构建，进一步扩展了其在图像增强领域的应用。这些衍生工作不仅验证了DiffIQA的有效性，还为未来的图像质量评估研究提供了新的方向。