基于深度学习的IQA论文整理

经典的CORNIA

Unsupervised Feature Learning Framework for No-reference Image Quality Assessment
2012，CVPR
贡献：CORNIA演示了从原始图像像素直接学习鉴别图像特征是可能的，而不是使用手工制作的特征。实现了分块评价的思想。
优点：1、使用原始图像的补丁s作为局部描述符而非人工标注，高效且易于计算2、基于codebook的方法，允许自动学习 3、编码采用带有软分配的最大池化，效率高、无参 4、数据集改变时，有一定的泛化性
模型结构：

Codebook的建立：CSIQ数据集+K-means（这一部分是整个模型的核心，但是感觉是在做映射，通过建立一个图像字典的方式来做评价，这样就应该会存在很多问题）
数据集：LIVE、TID2008、CSIQ
评价标准：LCC（两个量之间的线性关系）、SROCC（一个量如何被描述成另一个量的单调函数）

经典的BRISQUE

No-Reference Image Quality Assessment in the Spatial Domain
这篇文章公式推导比较多，没有一一细推，理解了大概的算法。
2012，Trans
思想：从图像中提取MSCN系数（mean subtracted contrast normalized），将MSCN系数拟合成非对称性广义高斯分布（AGGD），提取拟合的高斯分布的特征，输入到支持向量机SVM中做回归，从而得到图像质量的评估结果。
MSCN的特点：受纹理特征影响较小，不会对纹理有很强的依赖性，但又不是与对象完全没有相关性，获取的外观基本上是均匀的。
GGD的特点：GGD模型可以发现数据的非正常分布。在图像质量评估中，因为各种失真的影响，都会导致GGD分布的变形。
Four Orientation：在计算的时候选取了4个方向分别计算MSCN来加入相邻像素的信息
数据集：LIVE，TID
评价标准：在跟传统的PSNR等做对比，没有相关的类似于MOS的量化评价

用CNN进行质量评价的典型文章

Convolutional Neural Networks for No-Reference Image Quality Assessment
2014，CVPR
思想：CNN+回归
贡献：修改网络来学习图像的质量特征、估算网络质量 ；可以局部地预测图像质量。
优点：不需要手工标记的特征，直接从归一化的原始图像像素中学习鉴别特征，从而获得更好的性能。
方法总结：对给定的灰度图像，首先执行对比度归一化，然后从中抽取不重叠的小块，用CNN估算每个小块的质量得分，求平均得整个图像的得分。
网络结构：

用到的方法：局部归一化、池化、RELU
数据集：LIVE（从29张参考图像提取的四种失真类型，共779张失真图像）、TID2008（1700张失真图，17中类型的失真，25张参考图）
评价标准：MOS（平均意见得分）、DMOS、LCC（两个量之间的线性关系）、SROCC（一个量如何被描述成另一个量的单调函数）、时间

最近的一些新颖的方法

Hallucinated-IQA: No-Reference Image Quality Assessment via Adversarial Learning
2018，CVPR
思想：GAN+回归，端到端训练。通过GAN生成的伪参考图引导质量回归网络来解决无参考图像质量评价问题。（不适用于文本生成图像的质量评价）

贡献：1、在质量回归网络中引入GAN，为NR提供了伪参考图； 2、在GAN的生成器中加入了质量感知的loss；3、使用判别器判别伪参考图；4、进行特征融合，防止无意义的伪参考图对R造成影响；

持续更新中！！！！！