RankIQA: Learning from Rankings for No-reference Image Quality Assessment阅读笔记

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。）