超分辨图像的质量不仅受重建算法的影响,而且在不同的尺度因子下重建出的图像在质量退化等级方面存在一定差异。然而现有的无参考型超分辨图像质量评价方法主要关注超分辨率图像的视觉特征,忽略了可用的尺度因子信息。提出了一种尺度因子感知对比学习(upscaling-factor aware contrastive learning,UFACL)方法,该网络结构分为尺度因子识别分支和质量分数分支。其中尺度因子识别分支从数据集本身出发,将不同尺度因子的超分辨图像作为彼此的正负样本,在完成分类任务的同时引入对比学习,提高有效特征的表达能力。在质量分数分支设计了一个频域注意模块(frequency domain attention module,FDAM),考虑了全局信息和通道信息,同时,该分支使用倒残差块(inverted residuals blocks,IRB)降低模型的计算量,使得在训练过程中既保证了质量分数预测精度又提升了模型训练效率。实验结果表明,提出的UFACL能够获得与主观感知质量更好的一致性。
