期刊：IEEE Transactions on Multimedia, 2023

作者：马瑞；吴庆波；颜庆义；李宏亮；孟凡满；许林峰

论文简介：近年来，针对特定任务的盲图像质量评估（BIQA）在各种场景下取得了巨大成功，这些场景呈现出不变的失真类型和评估标准。然而，由于其僵硬的结构和学习框架，它们无法应用于跨任务的BIQA场景，因为在实际应用中失真类型和评估标准会不断变化。本文提出了一种可扩展的增量学习框架（SILF），该框架能够在有限的内存容量下顺序执行多个评估任务的BIQA。更具体地说，该论文开发了一种动态参数隔离策略，以顺序更新非重叠的任务特定参数子集。每个参数子集都暂时设定为“铭记”其对应任务的评估偏好，而先前设定的参数子集可以根据任务相关性在后续BIQA中自适应地重用，以实现更好的性能。为了抑制顺序任务学习中内存容量的无限制扩展，该论文开发了一个可扩展的内存单元，通过逐渐且选择性地修剪先前设定参数子集中不重要的神经元，使该论文能够“遗忘”部分先前的经验，并释放有限的内存容量以适应新出现的任务。在十一个IQA数据集上进行的广泛实验表明，该论文提出的方法在跨任务BIQA中显著优于其他最先进的方法。