阅读笔记：Deep Superpixel-based Network for Blind ImageQuality Assessment

本文贡献：

1. 首次将超像素分割应用于 BIQA 中，提取局部特征和多尺度语义特征。

2. 分析了图像裁剪训练对完整图像评价的影响，调整了图像拼接层，设计了一个能够克服图像大小问题的模型。

3. 方法配合得很好，每个部分都互相配合。实验结果表明，该方法在预测图像质量和处理复杂畸变图像方面性能更好。

1.本文方法

1.1模型框架

多尺度特征提取（包含语义信息）、超像素网络（基于CNN的超像素分割，使深层神经网络能够感知局部超像素区域）

1.2 语义特征提取

为了提取语义特征，使特征更加全面，我们采用了预训练的 resnet-50作为骨干网络。为保持主成分和快速计算，应用1×1卷积层，平均池化层，全连接层对多尺度特征进行细化。

要求输入图像的预处理不应修改图像本身的主要内容和质量，在图像大小不同的情况下，我们的模型必须可用于任意大小而不影响质量。我们用自适应池取代了平均池和最大池，GMP和 GAP 可以看作是自适应池的一个特例。

1.3 超像素图的生成网络

1.3.1 超像素分割

网络是由五层的 cnn 设计的&#x