RAN4IQA:Restorative Adversarial Nets for No-Reference Image Quality Assessment

本博文介绍下2018年的AAAI一篇图像质量评价文章。
本篇论文和CVPR的一篇文章原理十分类似，要了解上篇请参考Hallucinated-IQA

算法原理

对于失真图像，采用生成对抗网络来生成恢复图像，将失真图像和恢复图像一起输入到评价网络中，最终生成质量分数。

算法详解

Gain of Restoration（GoR）

在本文模型中，将失真图像和恢复图像之间的差异定为GoR，实验发现对于特定的恢复网络，失真级别越高，GoR也就越大，我们的目的是对于每个输入，最大化GoR，基于GoR进行感知质量评价，而不是针对恢复图像与原始未失真图像的相似度。

恢复对抗网络

生成网络采用由残差块组成，由于残差连接使恒等函数更容易训练，并且残差网络的结构和HVS恢复的方式十分相似。每个残差块具有相同的布局，两层3x3核，核数为64的卷积，采用BN来避免初始化问题，添加分支来积累残差。该网络图如下所示：

由于VGG网络成功的应用于计算机视觉任务中，因此这里采用和VGG13具有相似结构的结构作为对抗网络的组成，恢复对抗网络损失函数由两部分组成感知损失和对抗损失。