MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment

摘要

DCNNs已经逐渐用于NR IQA，但是IQA的数据量非常小，因此大量已有的IQA算法是基于预训练的网络，但是这些预训练的网络并不是针对IQA任务设计的，因此这会导致泛化问题。针对这个问题，本文提出了基于元学习的NR IQA。其基本思想是学习人类在评估具有不同失真的图像质量时所共享的元知识，然后可以很容易地适应未知失真。 具体来说，我们首先针对不同的失真收集了若干NR-IQA任务。然后采用元学习的方法来学习各种失真所共享的先验知识。最后，在目标NR-IQA任务上对质量先验模型进行微调，快速获得质量模型。

介绍

训练深层次的神经网络需要大量的标签数据，然而收集大量的图像数据用于训练DCNNs是非常困难的，并且会耗费大量的时间。直接用少量的数据训练很容易造成过拟合，为了解决这个问题，现有的大量IQA算法都是在预训练网络模型上进行实验。然而这会导致泛化问题，主要原因是这些预训练模型不是针对IQA任务的。
在现实情况下，人类可以很容易地从各种失真的图像中获取质量先验知识，并快速适应未知失真图像的质量评价，如图1所示。因此，在NR-IQA方法中，学习人类的共享先验知识是评价不同失真图像质量的关键。基于这种动机，本文提出了一种新的基于深度元学习的NR IQA算法，它可以使机器学会学习，也就是说，能够通过相对少量的训练样本对相关的新任务进行快速学习。

特别是，该方法利用了一个基于大量特定失真的NR-IQA任务的双层梯度下降策略来学习元模型。失真特定