Convolutional Neural Networks for No-Reference Image Quality Assessment 笔记

直接用CNN来做图像质量评价效果是不好的，因为在物体识别方面，CNN通常用来提取局部不变特征，而对无参考图像质量评价NR-IQA来说，需要能提取自然场景统计信息NSS。

因此本文修改了CNN的网络结构，能有效的提取图像质量特征，给出精确的评估。

另外，本文的方法还能进行局部图像质量的评估，而之前的方法都是对整个图像而言的。我们可以对小到32*32的块进行评估。

在LIVE数据库上，我们的CNN方法比CORNIA和BRISQUE要好。

我们的方法把特征提取和回归集成到常规的CNN框架里面来。

具体的做法： 对于一个灰度图像，首先做对比度归一化，然后做互不重叠的分块采样，然后用CNN对每一个块做图像质量评估，最后做一个平均就得到整个图像的评估。

局部对比度归一化，我们采用正负3个像素大小的块来做归一化，也就是块的大小是7*7。局部归一化的作用是很大的，块越大效果越差。

值得注意的是，用CNN做物体识别时，通常会对图片做一个全局的对比度归一化，这样会对光照和对比度变化不敏感，

但是用于图像质量评价时，对比度归一化应该是局部的。

池化，在做物体识别时，通常是对2*2的cell做池化，但是做图像质量评价时，我们发现图像的变形(distortion)通常是局部各向同性的(locally homogeneous)，也就是说，例如，同样的变形发生在整个块中(32*32)，

RELU，注意，RELU只允许非负值通过，因此我们在卷积和池化层上不用RELU，而是用线性单元，因为我们采用的最小池化通常会产生负值，用RELU就会丢掉这些信息了。

pdf

https://github.com/Adnan1011/NR-IQA-CNN

https://www.zhihu.com/question/52620126