基于CNN的图像质量评价11.20

No-reference image quality assessment based on dualchannel convolutional neural network

这篇论文从内容上看还是属于比较简单的，是在之前基础上的工作。该文中提到创新性主要有三点：1.使用了双通道的网络结构，每个通道使用不同的卷基层，但是并没有有效的实验以及充分的实验数据进行阐述；2.使用VIF全参考方法作为训练的标签，这个方法在17年已有陆陆续续的相似的工作得到了发表，本文选取的是VIF，区别于之前常用的FSIM，SSIM等。

 

Generating Image Distortion Maps Using Convolutional Autoencoders with Application to No Reference Image Quality Assessment

这篇论文中体现了也是今年常用的方法，对reference和distortion图的SSIM图的预测，2018年的CVPR，AAAI中都有相似的论文。这篇论文中在最后的质量回归中采用了三种方法进行了对比，分别为predict_map加权和拟合高斯参数进行SVR回归。在实验部分，训练集和测试集也没有严格按照参考图像8/2的原则进行划分。但是之后思考一下，觉得也还是有一定的启发，他避免了用块回归而导致的标签和真实质量不对应的问题。

 

Naturalization Module in Neural Networks for Screen Content Image Quality Assessment

这篇论文是在屏幕图像质量评价上的一篇论文，屏幕图像相较于自然图像，质量评价工作是比较难做的。主要难点在于无参考算法中很难将文本和图像区分，而图像块之间的差异性非常大，这给基于深度学习的质量评价带来了困难。而该论文的核心思想是将屏幕图像质量评价转化为一个自然图像的质量评价。通过插值的方法，在统计特性上发现了这样做可以使得统计特性和自然图像相近，从而从中获得了收益。