No-Reference Stereoscopic Image Quality Assessment Using Convolutional Neural Network for Adaptive Feature Extraction
這是一篇發表在ACCESS上的立體圖像質量評價的論文，這篇論文概括起來可以分爲3個環節，第一環節中提取圖像塊與質量分數之間的關係，這裏採取的是分類的策略，考慮到分類的同時，CNN提取到與質量相關的特徵，使用的數據庫是2D的數據庫和LIVE 3DphaseI的數據。在第二環節中，從CNN高維中提取出左右視圖特徵並用從左右圖中提取到的顯著性圖進行融合，最後環節是將融合後的特徵與視差特徵一同送入SVR進行擬合。
DEEP BLIND IMAGE QUALITY ASSESSMENT BY EMPLOYING FR-IQA
這篇論文是發表在ICIP上的一篇論文，考慮到數據集的不足，以及採用圖像塊方式訓練而導致的局部質量不精準的問題，這篇論文提出採用FR-IQA的傳統模型去預測小塊的質量。具體：使用SSIM,GMSD,FSIM和VSI四種方法進行實驗，先對圖像進行一個MSCN變換，然後對那些單調內容（缺乏變換的圖像塊去除），用CNN進行訓練。然後提取出所有小塊的質量預測分數的平均值和方差作爲兩個特徵來進行近一步訓練-----實現質量池化的效果。最後這篇論文對圖像塊大小進行的研究，從32-36-40-44-48進行比較，最後得出32的大小是比較合適的。——但是值得指出的一點是圖像大小影響到數據量的大小，而網絡參數設置對數據量相對是比較敏感的。