基于CNN的图像质量评价8.1

No-Reference Stereoscopic Image Quality Assessment Using Convolutional Neural Network for Adaptive Feature Extraction

这是一篇发表在ACCESS上的立体图像质量评价的论文，这篇论文概括起来可以分为3个环节，第一环节中提取图像块与质量分数之间的关系，这里采取的是分类的策略，考虑到分类的同时，CNN提取到与质量相关的特征，使用的数据库是2D的数据库和LIVE 3DphaseI的数据。在第二环节中，从CNN高维中提取出左右视图特征并用从左右图中提取到的显著性图进行融合，最后环节是将融合后的特征与视差特征一同送入SVR进行拟合。

 

DEEP BLIND IMAGE QUALITY ASSESSMENT BY EMPLOYING FR-IQA

这篇论文是发表在ICIP上的一篇论文，考虑到数据集的不足，以及采用图像块方式训练而导致的局部质量不精准的问题，这篇论文提出采用FR-IQA的传统模型去预测小块的质量。具体：使用SSIM,GMSD,FSIM和VSI四种方法进行实验，先对图像进行一个MSCN变换，然后对那些单调内容（缺乏变换的图像块去除），用CNN进行训练。然后提取出所有小块的质量预测分数的平均值和方差作为两个特征来进行近一步训练-----实现质量池化的效果。最后这篇论文对图像块大小进行的研究，从32-36-40-44-48进行比较，最后得出32的大小是比较合适的。——但是值得指出的一点是图像大小影响到数据量的大小，而网络参数设置对数据量相对是比较敏感的。