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