刘怀周，王双园，白国振，张鹏举

（1.上海理工大学机械工程学院；2.上海理工大学深海高端装备复杂系统研究院，上海 200093）

0 引言

机器学习通常建立在大量有效数据学习的基础上，因此数据质量问题是机器学习领域的重要研究内容之一。在水下机器视觉研究中，由于水下图像获取成本高，通常使用人工合成或模拟生成图像作为样本。因此，建立一个有效、客观的水下生成图像质量指标，对评价生成图像质量以及机器学习算法的优化至关重要。图像质量评价可分为主观图像评价和客观图像评价。主观图像评价被认为是最可靠的结果，但对于实时系统而言，该方法代价昂贵、耗时且不切实际。客观图像质量评价方法根据是否存在代表原始信号的参考图像可分成3 类：全参考图像评价、半参考图像评价和无参考图像评价［1］。对于无法获得参考图像的水下生成图像，需要一个无参考的客观图像质量评价方法来评价图像质量，其能够识别出水下生成图像与真实水下图像的差异，并符合人类的视觉感官系统。

近年来，生成对抗网络得到了广泛研究［2］。为了定量评估GAN 网络，人们相继提出了各种评价指标，如Incep⁃tion 分数、Mode 分数、Kernel MMD、Wasserstein 距离、Fre⁃chet Inception 距离与基于1-最近邻（1-NN）的双样本测试指标等。这些评价指标基于生成样本与真实样本之间的距离度量，主要是对生成模型的评估，而无法评价单个生成样本质量。此外，还有大气彩色图像质量评价指标［3-5］和其它水下图像质量评价指标，如UCIQE［6］、UIQM［7］、CCF［8］等。……