2016IQA论文浏览（1）

1. (arxiv)Comparison-based Image Quality Assessment for Parameter Selection

这是一篇不太一样的IQA论文，实验部分没有拿出CC，说了一些一眼看不明白的话，以及统计图
特点是它输入了两张图，I2从I1而来，比传统NR有更多信息量，但没用参考图又不算FR。然后还有就是通过调参数是的框架迭代速度快了80%。

2. (arxiv)Deep Neural Networks for No-Reference and Full-Reference Image Quality Assessment

首先，在质评领域中它是一个很深的方法，包含了10个卷基层，5个池化层提取特征，2个全连接层回归；然后这个框架既可以做FR，也可以做NR；最后我们是纯数据计算暴力破解，不需要任何HVS和统计学先验知识，也不需要手动特征提取。
训练和评价过程中仍然是分块的，最后平均池化，这其中引入了空间注意力为失真图加权。
这篇文章里对LIVE、CSIQ和TID2013的纵向比较、交叉验证数据挺多的，以后写论文的时候可能用得上，唉暴力计算的效果真的是不错啊

3. (arxiv)Learning a No-Reference Quality Metric for Single-Image Super-Resolution

这里建立了一个SR人工视觉主观数据库，然后从视觉感知的角度（就是单纯当换了一个库的IQA了）建立了一种NR-SR质量评价方法
我有点想不清楚超分辨为什么需要NRIQA，直接FR找出最好的SR方法后运用就行了，真的有NR的需求吗？32页看不动。。

4. (arxiv)On the Use of Deep Learning for Blind Image Quality Assessment

这篇文章提出了一种DeepBIQ的方法，特点是用了两次CNN，开始用CNNs对图像进行预训练提取失真类型描述特征，再把图像块输入适合质评的CNN提取特征，根据输出特征用SVR回归MOS。
给我了一点启发，一是看看有人用深度学习计算过VA吗，二是它先用CNNS在预训练过程中按失真分类，我是不是也可以先按失真对VA的影响做个分类？还有可能结合语义识别，先把图像按主要内容分类
**要仔细重读 **
然后最后的结果是不是过于高了？如果不是真那么完美的话，我猜测可能是对每一类失真分别训练，或者100%训练过？回头再看看