全参考图像质量评估

这类指标需要完整的原始图像（参考图像）和重建图像（失真图像）进行计算。

均方误差 - Mean Squared Error
- 公式：$MSE = \frac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}[I(i,j) - K(i,j)]^2$
- 说明：计算两幅图像像素值之差的平方的平均数。值越小越好，0表示完全相同。
- 优点：计算简单，有明确的物理意义。
- 缺点：与人类主观感受的一致性较差。例如，轻微的图像偏移会导致MSE暴增，但人眼可能不易察觉；而一些人眼敏感的失真（如边缘模糊）可能MSE变化不大。
[[峰值信噪比 PSNR|峰值信噪比]] - Peak Signal-to-Noise Ratio
- 公式：$PSNR = 10 \cdot \log_{10}(\frac{MAX_I^2}{MSE})$
- 说明：基于MSE，MAX_I是图像像素的最大可能值（例如，8位图像为255）。值越大越好，无限大表示完全相同。
- 优点：计算非常快速、简单，是最广泛使用的指标之一。
- 缺点：同样与人类视觉系统（HVS）的感知特性不符。通常认为PSNR在30dB以上时，图像质量就非常好了。

[[SSIM：结构相似性图像质量评估指标|结构相似性指数]] - Structural Similarity Index
- 公式：比较两幅图像的亮度（luminance）、对比度（contrast） 和结构（structure） 三个方面的相似性，最终得到一个0到1之间的分数。
- 说明：SSIM试图模拟人类视觉系统对结构信息的敏感度。值越大越好，1表示完全相同。
- 优点：比PSNR/MSE更符合人眼主观感受，已成为图像质量评估的工业标准之一。
- 变种：MS-SSIM 在多尺度上计算SSIM，能更好地评估不同观看距离下的感知质量。

学习感知图像块相似度 - Learned Perceptual Image Patch Similarity
- 说明：利用预训练好的深度卷积神经网络（如VGG、AlexNet）来提取图像的特征，然后计算特征图之间的相似度。它衡量的是两幅图像在“感知特征空间”中的距离。
- 优点：与人类主观评价的相关性极高，能很好地处理纹理、风格等高级语义信息的差异。值越小越好，0表示完全相同。
- 缺点：计算量相对较大。

全参考视频质量评估

视频评估除了单帧图像质量，还需考虑时间域（帧间）的连贯性。

PSNR和SSIM的扩展：
- 可以逐帧计算图像的PSNR或SSIM，然后求整个视频序列的平均值，得到PSNR-AVG或SSIM-AVG。这是最基础的方法。
视频多方法评估融合 - Video Multimethod Assessment Fusion
- 说明：Netflix开发并开源的一个指标，旨在预测人类对视频质量的主观评分（MOS）。它结合了多个基础指标（包括PSNR、SSIM、时域指标等），通过机器学习模型融合成一个最终分数。
- 优点：是目前与主观评价相关性最好的客观视频质量指标之一，被工业界广泛采用。
- 缺点：计算复杂。

当原始参考图像/视频不可用时（这是更常见且更具挑战性的场景），需要使用无参考指标。

自然图像质量评估器 - Natural Image Quality Evaluator
- 说明：基于自然场景统计（NSS）模型，它假设“自然”的图像具有一定的统计规律，而失真会破坏这种规律。NIQE通过衡量这种破坏程度来评估质量。
- 优点：完全无参考，不需要原始图像。
- 缺点：准确性通常不如全参考指标。
基于深度学习的无参考模型：
- 近年来出现了很多基于CNN或Transformer的无参考质量评估模型，它们在海量的（图像，人工评分）数据上进行训练，可以直接预测图像的感知质量分数。这些是当前的研究热点。

生成模型（如GANs）：
- 初始分数 - Inception Score: 衡量生成图像的多样性和清晰度。
- Fréchet 初始距离 - Fréchet Inception Distance: 比较生成图像和真实图像在特征空间中的分布距离。值越小越好。

最佳实践：对于严肃的研究或工程项目，不应只依赖一个指标。通常的建议是：