Hallucinated-IQA: No-Reference Image Quality Assessment via Adversarial Learning阅读笔记
发布时间
阅读量：
阅读量
论文思想
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，文章强调的一点是生成网络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。
2.网络架构
网络共包括三部分：质量感知生成网络（G）、伪参考质量回归网络（R）、判别器（D）
1）质量感知生成网络（G）
总损失：
LG = µ1Lp + µ2Ls + µ3Ladv
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
其中，
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）
如果G生成一个伪参考可以帮助提高R的精度，那么这个伪参考被定义为D的真实样本，否则伪参考是一个假样本。
判别器得作用：引入对抗生成的机制，判别G生成的图片是否真实，反向促进了G的优化，抑制假样本对质量回归网络得影响。
思想：利用质量回归损失的性质，其中损失直接反映G对R的影响的明确指标，以强制D只惩罚具有负面影响的样本。
3）质量回归网络
输入为失真图与差异图（差异图为失真图与生成得伪参考图之间得差异图）
损失：
其中：
为差异图。
为防止质量感知生成网络生成无意义得伪参考图像影响质量回归网络进行质量分数得预测，进行了高级语义融合（这儿得融合，很是混乱，看不明白，如有大神看到这篇文章，请不吝赐教。）
3.训练策略
进行端到端得训练。
本篇文章与上篇文章得思想极为相似，均为在质量回归网络之前获取map图。
全部评论 (0)
还没有任何评论哟~