会议：ACM MM 2021

作者：马瑞，吴庆波，King Ngi Ngan，李宏亮，孟凡满，许林峰

论文简介：

现有的盲图像质量评估（BIQA）方法在各种特定任务的应用中取得了很大进展，包括合成、真实或过度增强的失真评估。然而，由于静态模型和一次性学习策略的限制，它们在许多实际应用中的跨任务评估中未能取得成功，因为多样化的评估标准和失真类型不断涌现。为了解决这一问题，该论文提出了一种动态的记忆与重用（R&R）网络，该网络基于一种新颖的关联感知增量学习策略，有效地执行跨任务BIQA。在面对不同失真类型或数据库的多个评估任务时，该论文的R&R网络依次更新每个任务的参数。每次更新步骤后，部分任务特定参数被固定，确保R&R记住它们专门的评估偏好。剩余的参数则被修剪以供后续任务的动态使用。为了进一步利用不同任务之间的相关性，该论文将新任务的训练数据输入到之前固定的参数中。更高的预测准确性被视为更高的任务相关性，反之亦然。然后，我们选择性地重用之前固定的参数部分，其比例根据任务相关性自适应确定。大量实验表明，该方法在不发生灾难性遗忘的情况下，成功实现了跨任务BIQA，并显著优于许多最先进的方法。