CVPR也是计算机视觉和模式识别领域的三大顶级学术会议之一。
       这是一篇有关无参考图像质量评价模型扩展性的高质量论文！其原创思想由李雷达教授提出、与石光明教授进行讨论后，指导其研究生完成。代码已开源，欢迎大家下载！https://github.com/zhuhancheng/MetaIQA
      论文主题关键词：图像质量评价（IQA），无参考评价，模型扩展性，深度元学习，元知识，小样本学习         图像作为人们日常生活获取信息的重要载体，在获取、压缩和传输等过程中易引入各种类型的失真。图像质量客观评价方法可以自动地对图像质量进行评价，且保持与人眼感知的一致性，在图像处理、成像系统的设计与优化、图像检索等众多领域中有重要的应用价值。然而由于实际环境下图像中的失真类型呈现多样化特性，失真的特性之间也存在较大差异，使得通用型的图像质量评价模型构建极具挑战。
       论文创新与贡献点：论文尝试从元学习的角度解决不同失真类型的图像质量评价模型的可扩展性问题，利用基于梯度优化的深度元学习方法构建了具有快速扩展能力的高可靠性图像质量先验模型，可快速适应到未见失真类型上。
       实验验证及结论：通过在五个国际通用的合成失真和真实失真的IQA数据库上的验证实验，结果表明我们提出的方法在泛化能力和评价准确性方面均优于现有的无参考图像质量评价方法。不仅可以直接有效地预测未见失真类型图像的质量分数，而且通过少量训练样本的微调从合成失真中学习到的质量先验模型，还可以快速扩展到真实失真图像的质量评价任务上。新方法可为实际应用的IQA模型的设计提供依据，将为研究图像质量评价在小样本学习上提供重要的借鉴意义和参考价值。
 
论文主要工作介绍如下：        本研究基于元学习的学会学习（learn to learn）的能力，利用基于梯度优化的深度元学习方法获取具有快速扩展能力的图像质量先验模型。        1.利用基于梯度优化的元学习框架学习具有不同图像失真类型质量评价任务上的先验模型，获取图像中不同失真类型的共享先验知识；
       2. 把质量先验模型看作预训练模型，通过对未知失真类型IQA任务的少量标注样本进行微调训练，可以快速泛化到目标图像的质量评价任务上。