SROCC, KROCC, PLCC, RMSE

SROCC（Spearman rank-order correlation coefficient）

当SROCC取1表示算法性能很好，-1表示很差。值越接近1，IQA算法性能越好。

KROCC（Kendall rank-order correlation coefficient）

KROCC的数值越大, 说明两个数据之间的相关性越好，IQA算法性能越好；值越小说明相关性越差，IQA算法性能一般。

相比之下，SROCC侧重于计算两个向量之间的关联度，而KROCC倾向于评估两个向量的依赖强度

PLCC（Pearson’s linear correlation coefficient）

PLCC 描述两组数据之间的线性相关性，其取值范围为 -1~1。当 PLCC 的值为零时，表示两组数据完全不相关（图像的客观质量分数和主观质量分数相差很大）；当 PLCC 值为 1 或 -1 时，表明两组数据完全相关（图像的客观质量分数和主观质量分数一样）。PLCC 描述算法的客观评价分与人眼主观打分之间的相关性，衡量了IQA算法预测的准确性。

参考一

参考二

MOS（mean opinion score）

RMSE（root mean square error）

均方根误差越接近于 0，IQA算法性能越好。

相比之下，SROCC侧重于计算两个向量之间的关联度，而KROCC倾向于评估两个向量的依赖强度。此外，KROCC有更严格的要求，如向量应为序数。第三个标准是pearson-lin-ear相关系数（PLCC）或通常称为线性相关系数，该系数根据预测精度衡量两个向量之间的相关性。此外，最后一个是均方根误差（RMSE），用于预测两个向量的预测一致性
参考内容：
图像质量评价（IQA）综述
图像质量评价学习笔记02：IQA模型性能评价指标（PLCC、SROCC、KROCC、RMSE）
评估图像质量评价算法性能的几个常用的标准