近期deep learning做图像质量评价（image quality assessment）的论文

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