刘锡泽 ，李志龙 ，何欣泽 ，范 红

（1.东华大学 信息科学与技术学院，上海 201620；2.OPPO研究院，上海 200030；3.上海大学 通信与信息工程学院，上海 200444）

0 引言

单幅图像超分辨率重建（Single Image Super-Resolution Reconstruction，SISR）是图像复原的一种，其通过信号处理或者图像处理的方法，将低分辨率（Low-Resolution，LR）图像转化为高分辨率（High-Resolution，HR）图像[1]。目前，SISR被广泛应用在医学影像、遥感图像、视频监控等领域当中。近年来，许多SISR算法相继被提出，因此需要一种可靠的方式来衡量各种算法重建图像的质量好坏。

最可靠的图像质量评估方式是主观评分，但这种方式需要耗费大量的人力和时间，所以往往使用客观评价指标来对超分辨（Super-Resolution，SR）图像进行质量评估。最常用的图像客观评价指标是峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）和结构相似度（Structural Similarity，SSIM）。但在 SISR领域中，这两个指标与人眼感知的一致性较低[2]。因此研究者们提出了一系列基于人类视觉系统（Human Visual System，HVS）的图像质量评估算法，如信息保真度（Information Fidelity Criterion，IFC）[3]、特征相似度（Feature Similarity，FSIM）[4]等算法，在图像质量评估数据库中的性能超过了PSNR、SSIM等传统算法。

由于以上算法都是全参考图像质量评估算法，需要HR图像的信息，在显示中HR图像往往是不可获得的，因此需要开发一种有效的无参考图像质量评估算法。Ma等人[5]针对SR图像提出了一种基于两阶段回归模型的图像质量评估算法，并创建了第一个SR图像质量评估数据库，包含用9种SR算法重建的1 680张SR图像与每张图像的主观质量分数。近年来，卷积神经网络（Convolutional Neural Network，CNN）被广泛应用在图像质量评估任务当中：Fang等人[6]首先提出了基于 CNN的 SR图像质量评估网络，Bare等人[7]和 Lin等人[8]分别在 CNN中引入残差连接和注意力机制，并取得了先进的性能。……