【IQA】Hallucinated-IQA: No-Reference Image Quality Assessment via Adversarial Learning

这是一篇2018年CVPR的论文，强调的一点是生成网络（GAN）和回归网络的互补互助，将两个网络结合在一起进行端到端的训练。

作者运用了“没有条件要创造条件”的思想，提出了通过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。

数据库：LIVE、CSIQ、TID2008、TID2013

项目：https://kwanyeelin.github.io/projects/HIQA/HIQA.html

框架：caffe

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；

网络架构

生成网络：输入为失真图像，通过卷积和反卷积，生成一张伪参考图（Hallucinated image）；

判别网络：判断生成的伪参考图和失真图像是否相似；

图像质量预测网络：输入是失真图和伪参考图与失真图的差异图（Discrepancy Map），输出质量分数。

1、质量感知生成器（G）

总损失：

Lp损失是参考图与GT的像素级误差（MSE），即

Ls损失是特征空间质量感知误差，即

 

 Lv是G的相关损失，Lq是R网络相关的损失（这样通过R网络预测质量分数的好坏，影响了G网络）。

Ladv是G的对抗损失，即

2、判别器（D）

引入了对抗生成的机制，判别G生成的图片是否真实，反向促进了G的优化

3、质量回归网络（R）

输入：失真图和差异图

高级语义融合：防止生成无意义的伪参考图影响R质量回归。

损失：