IQA-PyTorch 项目使用教程

1. 项目介绍

IQA-PyTorch 是一个基于 PyTorch 的图像质量评估（Image Quality Assessment, IQA）工具箱。该项目提供了多种主流的图像质量评估指标的实现，包括全参考（Full Reference, FR）和无参考（No Reference, NR）指标。通过 GPU 加速，大多数实现比 Matlab 版本更快。项目支持多种图像质量评估方法，如 LPIPS、FID、NIQE、NRQM(Ma)、MUSIQ、TOPIQ、NIMA、DBCNN、BRISQUE、PI 等。

2. 项目快速启动

2.1 安装

你可以通过 pip 安装 IQA-PyTorch：

pip install pyiqa

或者从 GitHub 安装最新版本：

pip uninstall pyiqa  # 如果已经安装了旧版本
pip install git+https://github.com/chaofengc/IQA-PyTorch.git

2.2 基本使用

你可以通过命令行界面使用 IQA-PyTorch：

# 列出所有可用的指标
pyiqa -ls

# 使用默认设置测试图像质量
pyiqa [metric_name(s)] --target [image_path or dir] --ref [image_path or dir]

2.3 高级使用

你也可以在代码中使用 IQA-PyTorch：

import pyiqa
import torch

# 列出所有可用的指标
print(pyiqa.list_models())

device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

# 创建指标对象
iqa_metric = pyiqa.create_metric('lpips', device=device)

# 检查指标是否是越低越好
print(iqa_metric.lower_better)

# 计算图像质量分数
score_fr = iqa_metric(img_tensor_x, img_tensor_y)

3. 应用案例和最佳实践

3.1 图像质量评估

IQA-PyTorch 可以用于评估图像处理算法的效果。例如，你可以使用 LPIPS 指标来评估图像生成模型的输出质量：

lpips_metric = pyiqa.create_metric('lpips', device=device)
score = lpips_metric('path/to/generated_image.png', 'path/to/reference_image.png')
print(f"LPIPS Score: {score}")

3.2 图像质量损失函数

IQA-PyTorch 还可以用作损失函数，帮助优化图像生成模型：

lpips_loss = pyiqa.create_metric('lpips', device=device, as_loss=True)
loss = lpips_loss(img_tensor_x, img_tensor_y)
print(f"Loss: {loss}")

4. 典型生态项目

4.1 Hugging Face Datasets

IQA-PyTorch 项目与 Hugging Face Datasets 集成，方便用户下载和使用图像质量评估数据集：

from huggingface_hub import snapshot_download

save_dir = '/datasets'
filename = "meta_info.tgz"
snapshot_download("chaofengc/IQA-Toolbox-Datasets", repo_type="dataset", local_dir=save_dir, allow_patterns=filename, local_dir_use_symlinks=False)

4.2 Clean-FID

IQA-PyTorch 中的 FID 指标与 Clean-FID 项目兼容，可以用于评估生成模型的质量：

fid_metric = pyiqa.create_metric('fid')
score = fid_metric('/ResultsCalibra/dist_dir/', '/ResultsCalibra/ref_dir')
print(f"FID Score: {score}")

通过这些生态项目的集成，IQA-PyTorch 可以更好地服务于图像质量评估和生成模型的研究与应用。