No-reference image quality assessment based on dualchannel convolutional neural network
這篇論文從內容上看還是屬於比較簡單的，是在之前基礎上的工作。該文中提到創新性主要有三點：1.使用了雙通道的網絡結構，每個通道使用不同的卷基層，但是並沒有有效的實驗以及充分的實驗數據進行闡述；2.使用VIF全參考方法作爲訓練的標籤，這個方法在17年已有陸陸續續的相似的工作得到了發表，本文選取的是VIF，區別於之前常用的FSIM，SSIM等。
Generating Image Distortion Maps Using Convolutional Autoencoders with Application to No Reference Image Quality Assessment
這篇論文中體現了也是今年常用的方法，對reference和distortion圖的SSIM圖的預測，2018年的CVPR，AAAI中都有相似的論文。這篇論文中在最後的質量回歸中採用了三種方法進行了對比，分別爲predict_map加權和擬合高斯參數進行SVR迴歸。在實驗部分，訓練集和測試集也沒有嚴格按照參考圖像8/2的原則進行劃分。
Naturalization Module in Neural Networks for Screen Content Image Quality Assessment
這篇論文是在屏幕圖像質量評價上的一篇論文，屏幕圖像相較於自然圖像，質量評價工作是比較難做的。主要難點在於無參考算法中很難將文本和圖像區分，而圖像塊之間的差異性非常大，這給基於深度學習的質量評價帶來了困難。而該論文的核心思想是將屏幕圖像質量評價轉化爲一個自然圖像的質量評價。通過插值的方法，在統計特性上發現了這樣做可以使得統計特性和自然圖像相近，從而從中獲得了收益。