EFIQA：通过解剖先验进行可解释的眼底图像质量评估

图像质量控制对于广泛的下游应用至关重要。基于深度学习的图像质量评估方法通常在特定于数据集的质量标签上训练分类器，继承了两个局限性：（1）泛化与训练集的标签标准相关；（2）这些方法无法提供质量下降位置的空间反馈，缺乏可解释性。在这项工作中，我们提出了 EFIQA，这是一个不需要与质量相关的监督并通过设计生成空间质量图的框架。 EFIQA 不是从人类注释的标签中学习“什么是退化”，而是通过利用解剖学先验来学习“应该存在什么”。对于眼底摄影，我们将其实例化为两阶段方法，首先通过掩模解剖修复训练无监督异常检测器来识别缺失脉管系统的区域，然后将这些先验知识提炼成浅适配器，将冻结基础模型的特征映射到精确的质量图。外部数据集评估表明，与具有不同质量标准的基准的监督方法相比，这种具有最小适应性的无标签方法实现了更好的性能和可解释性，突显了其在实际应用中的潜力。