文献阅读2020.11.1

1.本周工作内容总结

（1）深度卷积神经网络在图像美学评价的应用综述（温坤哲,韦玉科,董晓华.深度卷积神经网络在图像美学评价的应用综述[J].计算机工程与应用,2019,55(15):13-23+58.）
解决的问题：①解决现有综述存在的文献概括不全的问题；②对该技术的发展情况认识不足的问题。
核心思路：先后从全局感知和局部感知、个性化查询、手工特征提取与深度卷积神经网 络结合等角度对其发展情况进行了详细地阐述，对图像美学评价、图像裁剪、工具应用等应用情况作了分析，并充分结合多场景、巧用构图规则、提前建立美学图像数据集等角度进行了未来工作展望。。
创新点：①将深度卷积神经网络在图像美学评价领域的应用情形进行细分，在学术界，主要分为基于全局感知和局部感知的图像美学评价方法、基于个性化查询的图像美学评价方法、基于手工特征提取与卷积神经网络结合的图像美学评价方法；在工业界，主要集中图像美学评价应用、图像裁剪及其工具应用等方面。②对于各种细分的方法继续文献的大量整合比较，并综合出各个方法对应的代表性文献的优缺点以及适用范围。
借鉴点（展望）：①充分结合多场景的图像美学评价方法改进（在现有与多场景结合的方法的基础上将图像美学评价人物与多场景充分结合是提高图像美学净多的途径之一）；②巧用构图规则（基于不同的构图规则进行深度特征提取的研究）；③提前建立美学图像数据集（研究者可以先通过抽取通用的美学特征、语义特征、风格特征进行查询以提前构建图像数据集。）。
（2）MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment （Zhu H, Li L, Wu J, et al. MetaIQA: Deep Meta-learning for No-Reference Image Quality Assessment[J]. 2020.）
解决的问题：DCNNs已经逐渐用于NR-IQA，但是IQA的数据量很小，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真的IQA任务设计的，因此会导致泛化问题，针对这个问题，提出基于元学习的NR-IQA.
核心思路：①对于不同的失真收集许多的NR-IQA任务②采用元学习的方法学习各种失真所分享的先验知识③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。
创新点：①首次提出了一种基于深度元学习的无参考图像质量度量方法。与现有的IQA度量值不同，本文提出的NR-IQA模型具有较好的泛化能力，能较好地处理多种失真，可以通过相对较小的数据集快速学习。②在评价图像质量时，我们采用元学习的方法来学习不同失真类型之间的共享信息。这是通过使用基于许多特定于失真的NR-IQA任务的双级梯度优化来实现的。Meta-knowledge是一种理想的预训练模型，用于快速适应未知的扭曲。③在五个公共IQA数据库上做了广泛的实验，其中包含了合成的和真实的失真。结果表明，该模型在泛化能力和评价精度方面明显优于目前最先进的NR-IQA方法
借鉴点：①引入一种基于元学习的二层梯度优化的神经网络质量保证(NR-IQA)方法，从多个NR-IQA任务中学习不同失真的共享先验知识模型，然后对一个具有未知失真的神经网络质量保证(NR-IQA)任务的训练数据对先验模型进行微调，得到目标质量模型；②从合成失真中学习到的质量先验模型也可以快速适应于真实失真图像的质量评估，这也为实际应用的质量评估模型的设计提供了依据。