12017ICASSP “From image quality to patch quality: an image-patch model forno-reference image quality assessment”,北京大学,WenHeng
主要贡献:一般使用图像块训练endto end的网络时,图像块的分数设置为图像的分数,这样设置是不合理的,图像中每一块的分数应该是不相等的。所以,论文提出方法,调整图像块的分数。并且,这是第一个工作,提出对图像块的分数进行调整。实验证明,该论文提出的方法能够提高Learningbased方法的性能。
1.1 在patch-basedIQA方法中,主要有两种:(1) 根据块的质量,推断得到图像的质量,一般采用某一个权重策略,比如averageweighting、informationcontent weighting(相对较容易)。(2)根据图像的质量,推断图像块的质量(做的人比较少)。
1.2 相关文献表明:质量最低的几个图像块对整幅图像影响最大。QAC这篇论文使用分数最低的后10%图像块的分数去表示图像的分数。
1.3 该论文使用2014年CVPR的框架,计算每一个图像块的分数,使用10%最低策略,获得图像的分数。(结果一般般)
2、2017ICASSP Learning deep vector regressionmodel for no-reference image quality assessment. 中国科学院,JieGu
(2017TMM Blind image quality assess