本文针对超分辨率图像质量评估（SRIQA）任务，提出一种结合视觉Transformer（ViT）与卷积神经网络（CNN）的混合无参考评估模型。该方法利用ViT提取非局部特征，并通过多阶段自注意力处理图像令牌，再将其重塑为特征图，由CNN编码映射为质量分数，从而同时捕捉局部与非局部信息，克服了传统全参考指标依赖真实图像且可靠性不足的问题。
