1.论文中心思想
利用网络判断两张图片的好坏
2.网络架构
3.网络实现流程
1)进行数据增强:对同一张图片,由它产生出来的一系列失真图片的rank是已知的;
2)将rankings形成两两组合,传入孪生网络,然后得到高级特征(可以认为是quality score)进行比较,计算出loss,然后反向传播,孪生网络loss则是利用了hinge loss,能够更容易准确地学习到rank,也就是大间隔分类损失(详细解释如下:由图片x1得到的质量分数y1,由图片x2得到的质量分数y2,若y1与y2的比较结果与它们的真实rank一致则损失为0,若不一致,真实情况下大于则损失为1,真实情况下小于则为-1,真实情况下等于则为0。)
3)在模型训练好过后,只取孪生网络的一支,将IQA数据集传入模型,根据图片的真实分数进行回归,微调(fine-tune)模型的参数,loss采用MSE。
4)论文亮点:传统做法中,在一张图片形成的n种失真图片中形成图片对,需要对每张图片输入n2-n次,造成计算的冗余,为提高效率,在输入端,每张图片输入一次,在损失计算层增加一层形成图片对的计算。(实质是计算出该batch中所有图片的quality score,然后交叉计算出梯度。)
RankIQA: Learning from Rankings for No-reference Image Quality Assessment阅读笔记
最新推荐文章于 2021-05-22 21:29:59 发布