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