论文阅读笔记：End-to-End Blind Image Quality Prediction With Cascaded Deep Neural Network

NODIECANFLY 2020-9-24
分类专栏： 图像质量评价 深度学习
Jinjian Wu, et al, “End-to-End Blind Image Quality Prediction with Cascaded Deep Neural Network”, IEEE Transactions on Image Processing, Early Access, June. 2020. https://web.xidian.edu.cn/wjj/paper.html.查阅

标题

基于级联深度神经网络别的段单端图像质量预测[TOC]

Abstract
深度卷积神经网络(CNN)在图像识别方面取得了很大的成功。 许多图像质量评估(IQA)方法直接使用面向识别的CNN进行质量预测。 然而，IQA任务的性质与图像识别任务不同。 图像识别应对视觉内容敏感，对失真具有鲁棒性，而IQA对失真和视觉内容都敏感。本文针对盲图像质量评价(BIQA)，提出了一种面向IQA的CNN方法，该方法能有效地表示质量的下降。 CNN是大数据驱动的，而现有IQA数据库的大小太小，无法进行CNN优化。 因此，首先建立了一个大型IQA数据集， 其中包括100多万张失真图像(每幅图像都有一个质量分数作为平均意见分数(MOS)的替代，缩写为伪MOS)。 其次，在人类视觉系统中的层次感知机制（从局部结构到全局语义）的启发下，设计了一种新的以IQA为导向的CNN方法， 其中考虑了层次退化。 最后，通过在端到端框架中联合优化多级特征提取、层次退化级联(HDC)和质量预测，实现了级联 ，并介绍了带有HDC的级联CNN(称为CaHDC)。在基准IQA数据库上的实验表明，与现有的BIQA方法相比，CaHDC具有优越性。 同时，与其他基于CNN的BIQA模型相比，CaHDC(约0.73M参数)是轻量级的，在微处理系统中可以很容易地实现。 该方法的数据集和源代码可在https://web.xidian.edu.cn/wjj/paper.html.查阅

一、介绍

本文是在受到人类视觉系统中层次感知机制(从局部结构到全局语义)的启发，设计了一种新的面向IQA 的CNN方法，该方法考虑了层次退化问题。然后通过对多级特征提取、层次退化拼接(HDC)和端到端质量预测的联合优化，提出了一种基于层次退化拼接的级联CNN。虽然CaHDC只有少量的参数，但仍保持高性能，大大减轻了过拟合。
本文的贡献：1)为了解决训练数据有限的问题，建立了一个大规模的质量注释数据集，该数据集的视觉内容具有很大的多样性和失真性。 我们提出的