近期deep learning做图像质量评价（image quality assessment）的论文

12017ICASSP “From image quality to patch quality: an image-patch model forno-reference image quality assessment”,北京大学，WenHeng

主要贡献：一般使用图像块训练endto end的网络时，图像块的分数设置为图像的分数，这样设置是不合理的，图像中每一块的分数应该是不相等的。所以，论文提出方法，调整图像块的分数。并且，这是第一个工作，提出对图像块的分数进行调整。实验证明，该论文提出的方法能够提高Learningbased方法的性能。

 1.1 在patch-basedIQA方法中，主要有两种:(1) 根据块的质量，推断得到图像的质量，一般采用某一个权重策略，比如averageweighting、informationcontent weighting(相对较容易)。(2)根据图像的质量，推断图像块的质量（做的人比较少）。

1.2 相关文献表明：质量最低的几个图像块对整幅图像影响最大。QAC这篇论文使用分数最低的后10%图像块的分数去表示图像的分数。

1.3 该论文使用2014年CVPR的框架，计算每一个图像块的分数，使用10%最低策略，获得图像的分数。(结果一般般)

2、2017ICASSP Learning deep vector regressionmodel for no-reference image quality assessment. 中国科学院，JieGu

（2017TMM Blind image quality assessment via vector regression and object oriented pooling）

主要idea: 认为人类无法直接给定一张图像的分数，即无法做到定量给出质量分数，而更偏向于定性给出质量分数，如好，一般，差等。

 训练阶段和测试阶段的网络框架不一致：前面的卷积层不变，后面换成三个全连接层，为512、512、5。5表示分数向量，每一维表示图像属于“excellent”,“good”, “fair” , “poor”和“bad”这五个层次的。输入为32x32的图像块，提取块时，采取非重叠的方式。创新点在于：每一个图像块，用VSI方法计算image patch的分数，转化成一个5维向量作为它的label。

 测试阶段的框架如下：full convolutional network, 引用了Long神的那篇论文，但是感觉并没有用的。测试时，input一个image,每一个image patch就可以得到一个对应的label向量。组合起来，就可以得到quality map了。2017TMM期刊论文，给了Object detection计算weighting map.

---实验细节：batch _ size = 256, 训练了100 epoches.

--- 也是根据reference information来挑选训练集和测试集的。在LIVE数据库上，有29张reference images, 选择23 reference images对应的distorted images训练，选择6 reference images对应的distorted images 做测试。此操作，循环20此，取中间值作为最后的结果