Para mejorar la eficiencia de la transmisión de datos, la compresión de imágenes es un método comúnmente utilizado con la desventaja de la distorsión de la imagen. Existen muchos algoritmos de restauración de imágenes (IR), y uno de los algoritmos más avanzados es el método basado en redes generativas adversarias (GAN) con una alta correlación con el sistema visual humano (HVS). Para evaluar el rendimiento de los algoritmos de IR basados en GAN, propusimos una evaluación de calidad de imagen en conjunto (IQA) llamada ATDIQA (Auxiliary Transformer with DISTS IQA) para dar pesos a las características multinivel de transformadores de autoatención globales y características locales de redes neuronales convolucionales (CNN) IQA de DISTS. El resultado no solo tuvo un mejor rendimiento en el conjunto de datos de algoritmos de procesamiento de imágenes perceptuales (PIPAL) con imágenes de algoritmos de IR GAN, sino que también tiene una buena generalización del modelo sobre LIVE y TID2013 como conjuntos de datos de imágenes distorsionadas tradicionales. El conjunto ATDIQA demuestra con éxito su rendimiento con una alta correlación con la puntuación de juicio humano de imágenes distorsionadas.