197、AI驱动的质量评价：无参考评价模型训练与部署实践去年夏天，我在产线调试一款车载环视系统的图像质量。客户投诉说，某批次摄像头在黄昏场景下输出的画面“看着不对劲”，但所有客观指标——信噪比、动态范围、色彩还原——都在规格书范围内。我盯着屏幕上的图像，确实，画面有种说不出的“塑料感”，边缘有轻微的振铃，暗部细节像被糊了一层纱。传统指标全绿，但人眼不买账。这就是无参考质量评价（NR-IQA）要解决的核心矛盾：当没有“完美参考图”时，如何让机器学会人眼的审美？那段时间我翻遍了论文，从BRISQUE到CNNIQA，从RankIQA到MetaIQA，最后落地的是一个轻量级Transformer-CNN混合模型。今天这篇笔记，就聊聊从模型选型、训练数据构造到端侧部署的那些坑。为什么非要用无参考？有参考不香吗？有参考评价（FR-IQA）像考试有标准答案，PSNR、SSIM这些指标在实验室里很漂亮。但到了真实场景——比如你修图软件里的一张老照片、监控摄像头拍到的雾天画面、医疗内窥镜的实时流——上哪儿找“完美参考图”？更扎心的是，有参考指标和人眼感知的相关性经常翻车。我见过PSNR高达40dB的图像，人眼评分却只有3分（满分10），因为PSNR对模糊不敏感，但对噪声极其敏感，而人眼恰恰相反。无参考评价的难点在于：没有ground truth，你得自己造。早期方法靠手工特征——空域上的块状效应、频域上的能量分布、梯度上的锐度统计——但手工特征就像用尺子量情绪，永远差一口气。深度学习时代，我们终于可以让网络自己学“什么是好画质”。
