Cet article aborde l'impact significatif de la qualité d'image sur les performances des réseaux de neurones profonds (DNN). Les DNN sont connus pour leur sensibilité aux variations des conditions d'imagerie. Alors que l'évaluation traditionnelle de la qualité d'image (IQA) tente de mesurer et d'aligner la qualité sur les jugements perceptifs humains, des mesures sensibles aux conditions d'imagerie et s'alignant bien sur la sensibilité des DNN sont souvent nécessaires. Cet article s'interroge d'abord sur l'utilité des mesures d'IQA existantes pour les performances des DNN. Nous démontrons théoriquement et expérimentalement que ces mesures sont de faibles prédicteurs des performances des DNN pour la classification d'images. À l'aide d'un cadre causal, nous développons des mesures présentant de fortes corrélations avec les performances des DNN, permettant une estimation efficace de la distribution de la qualité des jeux de données d'images à grande échelle pour les tâches de vision ciblée.
