近期deep learning做图像质量评价（image quality assessment）的论文4

1、2017会议论文ICME：An accurate deepconvolutional neural networks model for no-reference image quality assessment,复旦大学。

1.1用了部分残差网络（ResNet）的知识，但是只用了两层残差网络。并且，该网络的输入为32*32的块，其label是用FSIM计算得到的。

       ---- 其中sum1是指conv2输出的feature map和conv3输出的feature map进行pixel-wise的相加。

1.2参数的设置：input：32*32，没有任何预处理，非重叠取块；损失函数：1范数；Learning rate的初始值为0.01，每过5个epoch，learning rate下降10倍，learning rate等于0.0001时，就固定不变了；80 epoches。在LIVE和TID2008数据库上进行试验，LIVE：PLCC-0.974，SRCC-0.971; TID2008：PLCC：0.957，SRCC：0.939。实验时，并没有将数据库分成train data (80%)和test data(20%), 原因论文中也讲了，作者用FSIM计算每一个image patch的分数，当成是image patch的label。其实，这类方法很多论文都出现过，但是用FSIM计算image patch的label，好像是第一次见到。（这类方法就是opinion-unaware）。！！！！需要注意的是，以为TID2008数据库中包含的失真类型太多，大部分论文都只使用部分data去做train和test（几种常见的失真）。

评论：感觉这种方法是有别于用FR method去计算whole image的label，为什么这样讲？比如FSIM&#x