图像质量评价分主观质量评价与客观质量评价，主观质量评价就是人对于图片的质量根据自己的主观感受进行评价。但在很多时候，我们不能总是倚仗人来进行主观质量评价，比如要从一万张图片中筛选出十张高质量的图片，如果让人看，要么累死了都看不过来，要么就得花很多钱雇人来看，成本实在太高了，这时就自然而然地催生了对客观质量评价系统的需求。
由于人工神经网络连结主义的特点，当调整一个已经在任务A上学好的网络的权重以适应任务B时，这个网络在任务A上的表现就会下降到惨不忍睹的程度，这个问题用通俗的话来说，就是“微调（finetune）一时爽，灾难性遗忘（Catastrophic Forgetting）火葬场”，而持续学习的目标就是要帮助模型及时调整自身权重与时俱进，适应新任务，同时尽可能地保证在学新知识的时候不忘记旧知识，做到“一直学习一直爽”，从而“不忘初心，砥砺前行”。
在6G都将到来的今天，不断产生的海量图像数据衍生了应用于不同视觉任务的图像处理和计算机视觉新方法，但是同时也引入了许多新型的图像失真，这就对现有的BIQA模型提出了新的挑战：面对源源不断的新型图像失真，如何与时俱进地调整自身以适应新的需求。
2021年2月19日，大型论文预印本网站arxiv.org上挂出了一篇名为《Continual Learning for Blind Image Quality Assessment》（https://arxiv.org/pdf/2102.09717.pdf）的preprint论文，顾名思义，这是一篇研究如何用持续学习来解决盲图像质量评价问题的论文。
关于这篇文章更多的解读，请关注：
https://mp.weixin.qq.com/s/mgTvIQaZiuMpSm692U0D6A
