JSTSP2016 Fully Deep Blind Image Quality Predictor

这是一个直接用CNN做IQA的工作,直接输入图像不提取特征,借用FR-IQA方法解决了训练数据不足、大量图像没有MOS等问题。 

文章首先提出NR-IQA与FR-IQA的区别——是否利用了原始图片信息:


之后分析NR-IAQ与FR-IQA的一些典型方法:


之后分析需要面对的三个问题:

A、缺少训练数据

B、缺少局部目标值

C、特征学习的不同目的



为了解决这三个问题,提出BIECON网络结构,采用基于图像块的方法避免第一个问题;借鉴现存的FR-IQA方法克服第二个问题,FR-IQA度量产生的参考图与失真图之间的知觉差异,可以改变本文网络中的每个图像块的局部地面真实目标值,替换后的目标值是非常可靠的,这是由于FR-IQA度量提供了最好的相关分数。


本文贡献:

1、提供了一个基于NR-IQA的深层CNN框架的研究,产生局部地面真实目标值,BIECON实现最优相关分数

2、提出有效的池化策略,这是受到先前IQA研究中池化方法的启发

3、基于严格的实验的结果,BIECON的训练阶段实现很高的精确度

4、虽然深度学习是一个黑匣子,本文分析和可视化了学习特征核去更好的理解与训练深度模型


本文BIECON网络框架:

第一步:对每个图像块进行训练;

第二步:池化阶段合并到训练中;

第三步:所有的模型参数调到最优,使得训练Loss最小;










  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

uncle_ll

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值