衡量图片压缩后的质量损失通常采用以下几种方法：

峰值信噪比是一种常见的客观评价指标，通过计算压缩后图像与原始图像的像素值差异来衡量图像质量损失。PSNR值越高，表示图像在压缩后与原始图像的差异越小，质量越好。只是，PSNR简单计算，但可能不完全反映人眼对图像质量的感知。

结构相似性度量算法用来测试两幅图像的相似性，其测量或预测图像的质量是基于未压缩的或者无失真的图像作为参考的。SSIM考虑了图像的结构信息、亮度和对比度，能更全面地反映图像质量的损失，但计算相对复杂。

除了客观指标，主观评价也是衡量图像质量的重要方式。通过人群测试，让观察者对图像质量进行打分，这种方法虽然耗时耗力，但能提供最直接的用户体验反馈。主观评价能够更真实地反映人眼对图像质量的感知，尤其是在细节和整体观感方面。

因为深度学习的发展，出现了更多基于神经网络的图像质量评估模型。这些模型能够更接近人眼的感知，通过学习大量图像数据，模拟人类视觉系统对图像质量的评价过程。例如，CVPR 2020的一些论文中提到的方法，它们可能针对特定任务或场景进行优化，并且可能有开源代码和数据集供研究者使用。

在实际应用中，选择哪种评估方法取决于具体需求。例如，对于图像传输和存储，可能更关注快速且客观的评估；而对于特定领域的图像处理，可能需要定制化的质量评估标准。图像压缩后的质量评估是一个综合考量多个因素的过程，既包括数学上的精确度量，也包括对人类视觉感知的模拟。

需要注意的是，过高的压缩率会导致图像质量严重损失，而适当的压缩率可以在保证传输速度的同时，保留足够的图像细节。为了量化评估压缩后的图像质量，可以结合多种方法，根据具体需求选择合适的评估标准，并不断探索新的技术和方法。