创新对比度调整IQA：融合自底向上与自顶向下策略的降低参考图像质量度量

本文主要探讨了对比度变化图像的质量评估问题，这是在现代图像/视频系统中提升视觉体验的关键研究领域。传统上，对于对比度调整的图像质量评估（IQA）关注度相对较低，但本文作者提出了一个新颖的减少参考量（Reduced-Reference，RR）IQA度量标准，旨在解决这一挑战。 该方法创新地融合了两种策略：自下而上的“bottom-up”策略和自上而下的“top-down”策略。自下而上的策略源自最近提出的自由能理论，该理论揭示了人类视觉系统通过消除输入图像中的不确定性来寻求理解。在图像处理中，这意味着关注那些对比度变化对视觉感知影响最大的部分，即图像信息的不确定性和复杂性。 另一方面，自上而下的策略利用对称Kullback-Leibler散度（KL divergence），这是一种信息论中的度量方式，用来比较对比度调整后图像的直方图与参考图像直方图之间的相似性。KL散度可以衡量两个概率分布之间的差异，这对于评估对比度变化导致的整体图像质量变化非常有效。 通过将这两者结合，文章构建了降低参考对比度的图像质量度量（Reduced-Reference Image Quality Metric，RCIQM）。这种方法旨在提供一个更为精确和全面的评价框架，不仅考虑了局部细节的视觉影响，也考虑了整体的视觉一致性。 为了验证其有效性，研究者在多个公开数据库上进行了大量实验，包括CID2013、CCID2014、CSIQ、TID2008和TID2013，这些数据库包含了各种对比度调整后的图像样本。对比结果表明，提出的RCIQM方法显著优于现有的一系列IQA模型，证明了它在对比度调整图像质量评估领域的优越性能。 总结来说，这篇研究论文为图像处理和质量评估领域提供了新的视角，通过结合自下而上的认知原理和自上而下的统计分析，开发出了一种能够准确评估对比度变化对图像视觉质量影响的量化工具，这对于优化图像处理算法和提升用户体验具有重要意义。