基于深度学习的无参考质量评价

1.2017年ICCV  RankIQA: Learning from Rankings for No-reference Image Quality Assessment

作者提出了基于排序的无参考质量评价。

motivation：IQA的数据量小，基于一个CNN模型提取特征。

思路：用数据增强，生产很多渐变的畸变图片，这样可以产生大量的非人工标注数据。使用孪生网络训练pair数据，然后再在传统的模型上微调。

 

2. 2018年CVPR Hallucinated-IQA: No-Reference Image Quality Assessment via Adversarial Learning

作者提出基于Hallucinated（可以理解为参考图）指导的IQA

思路：在畸变的图像基础上生成一个Hallucinated图，作为参考图，然后将这一对图像，送入网络，在生成器的的排名指导中学习两者的差异，进而产生精确的质量预测。

本质上是一种GAN网络，包含：生成网络生成Hallucinated图，Hallucinated图和groundth图用鉴别器判断是否一致。预测时，使用Hallucinated图和原图做差，然后利用质量回归网络得到质量分数。核心在于生成的Hallucinated图实际的清晰图足够的接近！！！

3.2019ICCVW  CNN-based Cross-dataset No-reference Image Quality Assessment

4.2018 TIP Deep Neural Networks for No-Reference and Full-Reference Image Quality Assessment