BiCG-Net把质量评分对准目标本身：11个教师读数做同图差分，跨库零样本PLCC达0.8416

图像质量评估从整幅画面转向指定目标区域，评分只针对目标框内的对象，而不是整张图。 此前主流的无参考质量评估把整帧当作一个同质质量单元，目标只占画面一小部分时，聚合分数被背景、道砟和植被主导。 在自建铁路数据集上，最佳单教师的PLCC为0.8230，教师共识为0.8642，BiCG-Net为0.9855；该数据集以弱标签为参照，不是人工MOS。

做法是把目标框逐级向外扩成一组嵌套图块，让每个教师对每块各给一个读数，再从读数随图块扩张的变化里推断目标质量。 每个教师读数被写成目标质量、教师偏置、面积效应、背景内容和噪声五项之和，五项都不可直接观测。 同一图像内两块读数相减后，目标项与教师偏置因在图像内不变而抵消，只剩面积效应、背景差与噪声；面积效应由几何编码器估计并扣除。

学生网络并不模仿任何单个教师，而是从教师读数的相对结构中学习映射到质量标签。 常规多教师聚合直接对教师输出取算术平均，教师偏置与背景项会一并进入监督信号。 在CSIQ与LIVEC上，学生网络对人工MOS的PLCC分别为0.9009和0.9133，高于最佳单教师与教师共识；冻结后从CSIQ迁移到LIVEC，PLCC为0.8416，共识为0.6469。

演示范围包括两个带人工MOS的公开基准CSIQ与LIVEC，以及一个2,816张图像的自建铁路数据集；公开基准上用面积比为1/9的中心框作为伪目标，使目标级任务退化为整图评估。自建数据集的结果以教师共识生成的弱标签为参照，而非人工MOS。作者提出后续为自建数据集引入一部分人工MOS标注，以测量弱标签与人工判断的相关性。

自建数据集上的0.9855反映的是对弱监督的拟合程度，不是与人类感知的直接一致。跨数据集迁移不对称，作者假设这与源域失真覆盖范围有关，但当前实验未将其与数据集规模、MOS尺度等因素分离。色散门在三个数据集上对PLCC的增量为0.0000，作者将其定位为诊断通路而非精度模块。