Deep Learning of Human Visual Sensitivity in Image Quality Assessment Framework阅读笔记

1.论文整体思想
（1）图像质量评估是预测感知质量，在过程评估、图像和视频编码、监控等图像处理领域有着广泛应用。人体是图像和视频的最终接收者，因此在图像质量评估的度量应该考虑人体视觉系统，尤其是视觉敏感度。
（2）传统的全参考图像质量评估(Full-Reference Image Quality Assessment, FR-IQA)方法根据心理视觉科学(Psychological Vision Science)对人体视觉系统进行建模。这些方法计算复杂度高，并且建立的模型需要符合事先定义的条件，泛化性能一般。
（3）针对上述问题，随着深度学习及CNN技术的发展，Kim等提出了基于CNN结构的图像质量评估算法(DeepQA)，该算法可以产生视觉敏感度分布权重图，每个像素的权重值代表在视觉系统中的重要程度。
（4）文中提出的算法不需要使用任何心理视觉科学的先验知识，仅依赖于数据，包括扭曲的图像，客观评价错误图及ground-truth主观评价图。
（5）实验结果表明DeepQA预测的视觉敏感度分布与人体视觉系统有相似的结果。并且在五个数据集上均表现出了SOTA水平。
2.网络结构与算法流程

算法流程：
1）将失真图像(distort image)和参考图像（reference image）进行归一化：Ir为参考图像，Id为失真图像，首先将其转化为灰度图
像，然后归一化到【0，1】，去除低频段特征&#