1、VeNICE: A very deep neural network approach to no-reference image assessment.
1.1框架：总共包括5个group，group1：conv，conv，relu，maxpool；group2：conv，conv，relu，maxpool；group3：conv，conv，conv，relu，maxpool；group4：conv，conv，conv，relu，maxpool；group5：conv，conv，conv，relu，maxpool；卷积层的参数直接fine-tuneVGG16的参数。全连接层：49-512-4096-1。
1.2 参数设置：input：224*224；batch size：7；epochs：200；learning rate：0.0001
2、2016ICASSP：Blind image quality assessment formultiply distorted images via convolutional networks. 同济大学
2.1相比于2014年的CVPR(Le Kang)，此篇论文增加了feature map的数量，增加了全连接的数量。
2.2 Conv + max pool，average pool，dense 2048, dense 2048, output.
2.3 卷积层后面接Relu，对输入进行normalization处理。注：与MSCN不同，类似。
2.4 实验部分：75% train set, 25% fortesting. 取三次的平均结果。SROCC：0.9703
3. 2016ISCID：Blind image quality assessment via convolutional neural network.
----CNN提取features, SVR用来回归分数。
----和Kang Le的框架一样。只不过在pooling的时候，选择了四种pooling strategies. Max，min, mean, variance。
----conv + pool + dense 800 + dense 800 + output
搞不懂为什么定义成一个分类的问题？？？
4. 2017IEEESignal Processing Magazine: Deep convolutional neural models for picturequality prediction. Jongyoo Kim, 很厉害！！！
----第一种方法：用AlexNet（4096维），ResNet（2048维）提取features，用SVR做回归训练。其中，每一张图像随机提取25个图像块，将获得的25个特征向量进行平均处理。作为SVR的input。
----第二种方法：使用pre-train的AlexNet和ResNet完成end to end的训练。每张图像提取100 patches，损失函数：L1 Norm，dropout rate: 0.5，Learning rate: 0.001，8 and 6 epochs on AlexNet andResNet 50。Batch size: 50。测试时：随机从图像中截取25个图像块，预测得到的25个分数进行平均，为测试图像的分数。
----第三种方法：training from scratch，architecture: Conv-48,Conv-48, withstride 2，Conv-64，Conv-64，with stride 2，Conv-64，Conv-64，Conv-128，Conv-128，FC-128，FC-128，FC-1。使用3*3的filters。最后一层的时候，直接对每一个feature map进行average操作，变成了128维，后面就直接跟着全连接层了。（这样大大的减少了参数），损失函数：L2 Norm，每一张图像分成112*112 patches。有一个数据的扩增操作：水平翻转。每一个minbatch中，包含来自5张图像的patch。训练80 epoach。
5、2017ICCV：RankIQA: Learning from rankings forno-reference image quality assessment, XiaLei Liu, 有代码
采用2005CVPR的相似结构，【Gw(X1)为网络输出的features，该网络结构学习的目的是两张相似的图片，其获得的结果也是相似的】，该论文结构与Kede Ma 2017TIP的网络结构是一样的，只不过Kede Ma的网络结构是全连接的，而该论文使用一些比较出名的网络进行试验，如AlexNet，VGG16。输入是一张图像，输出是图像的质量。在训练时，输入是两张图像，分别得到对应的分数，将分数的差异嵌入loss层，再进行反向传播。
训练时，每次从图像中随机提取224*224或者227*227大小的图像块。和AlexNet、VGG16有关。在训练Siamese network时，初始的learning rate 是1e-4；fine-tuning是初始的learning rate是1e-6，每隔10k步，rate变成原来的0.1倍。训练50k次。
测试时，随机在图像中提取30个图像块，得到30个分数之后，进行均值操作。
6. 2017TIP.Waterloo Exploration Database: New Challenges for Image Quality AssessmentModels.
---- D测试：检验IQA模型是否能够较好地分开原始图像和失真图像。
---- L测试：检验同一种失真类型下，不同程度失真图像的consistent ranking。
---- P 测试：检验算法偏好的一致性，是否能将质量差异明显的图像分开。
6.1 如何生成DIPs.
使用三种全参考图像质量评价方法，包括MS-SSIM，VIF，GMSD。在生成DIPs之前，将计算得到的客观分数，映射到同一个尺度下，比如与LIVE数据库的尺度一样。
7、2017TIP，Kede Ma, End to end blind imagequality assessment using deep neural networks.
7.1、Network:
训练时，是多阶段的。Subtask I, 训练一个分类网络，输出是一个向量，表示图像属于哪种失真的概率，损失函数为交叉熵。Subtask II, fine tunesubtask I的参数。并且将subtask I的输出与预测层的向量进行点乘. 测试时，给定一张图像，随机提取256*256*3的图像块，图像的失真类型由图像块的失真类型投票所得。图像的分数为所有图像块分数的均值。
转载自原文链接, 如需删除请联系管理员。
原文链接：近期deep learning做图像质量评价（image quality assessment）的论文3，转载请注明来源！