JSTSP2016 Fully Deep Blind Image Quality Predictor

这是一个直接用CNN做IQA的工作，直接输入图像不提取特征，借用FR-IQA方法解决了训练数据不足、大量图像没有MOS等问题。 

文章首先提出NR-IQA与FR-IQA的区别——是否利用了原始图片信息：



之后分析NR-IAQ与FR-IQA的一些典型方法：



之后分析需要面对的三个问题：
A、缺少训练数据
B、缺少局部目标值
C、特征学习的不同目的





为了解决这三个问题，提出BIECON网络结构，采用基于图像块的方法避免第一个问题；借鉴现存的FR-IQA方法克服第二个问题，FR-IQA度量产生的参考图与失真图之间的知觉差异，可以改变本文网络中的每个图像块的局部地面真实目标值，替换后的目标值是非常可靠的，这是由于FR-IQA度量提供了最好的相关分数。



本文贡献：
1、提供了一个基于NR-IQA的深层CNN框架的研究，产生局部地面真实目标值，BIECON实现最优相关分数
2、提出有效的池化策略，这是受到先前IQA研究中池化方法的启发
3、基于严格的实验的结果，BIECON的训练阶段实现很高的精确度
4、虽然深度学习是一个黑匣子，本文分析和可视化了学习特征核去更好的理解与训练深度模型



本文BIECON网络框架：
第一步：对每个图像块进行训练；
第二步：池化阶段合并到训练中；
第三步：所有的模型参数调到最优，使得训练Loss最小；