1、VeNICE: A very deep neural network approach to no-reference image assessment.

1.1框架：總共包括5個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；卷積層的引數直接fine-tuneVGG16的引數。全連線層：49-512-4096-1。

1.2 引數設定：input：224*224；batch size：7；epochs：200；learning rate：0.0001

2、2016ICASSP：Blind image quality assessment formultiply distorted images via convolutional networks. 同濟大學

2.1相比於2014年的CVPR(Le Kang)，此篇論文增加了feature map的數量，增加了全連線的數量。

2.2 Conv + max pool，average pool，dense 2048, dense 2048, output.

2.3 卷積層後面接Relu，對輸入進行normalization處理。注：與MSCN不同，類似。

2.4 實驗部分：75% train set, 25% fortesting. 取三次的平均結果。SROCC：0.9703

3. 2016ISCID：Blind image quality assessment via convolutional neural network.

----CNN提取features, SVR用來回歸分數。

----和Kang Le的框架一樣。只不過在pooling的時候，選擇了四種pooling strategies. Max，min, mean, variance。

----conv + pool + dense 800 + dense 800 + output

搞不懂為什麼定義成一個分類的問題？？？

4. 2017IEEESignal Processing Magazine: Deep convolutional neural models for picturequality prediction. Jongyoo Kim, 很厲害！！！

----第一種方法：用AlexNet（4096維），ResNet（2048維）提取features，用SVR做迴歸訓練。其中，每一張影象隨機提取25個影象塊，將獲得的25個特徵向量進行平均處理。作為SVR的input。

----第二種方法：使用pre-train的AlexNet和ResNet完成end to end的訓練。每張影象提取100 patches，損失函式：L1 Norm，dropout rate: 0.5，Learning rate: 0.001，8 and 6 epochs on AlexNet andResNet 50。Batch size: 50。測試時：隨機從影象中擷取25個影象塊，預測得到的25個分數進行平均，為測試影象的分數。

----第三種方法：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。最後一層的時候，直接對每一個feature map進行average操作，變成了128維，後面就直接跟著全連線層了。（這樣大大的減少了引數），損失函式：L2 Norm，每一張影象分成112*112 patches。有一個數據的擴增操作：水平翻轉。每一個minbatch中，包含來自5張影象的patch。訓練80 epoach。

5、2017ICCV：RankIQA: Learning from rankings forno-reference image quality assessment, XiaLei Liu, 有程式碼

       //// 採用2005CVPR的相似結構，【Gw(X1)為網路輸出的features，該網路結構學習的目的是兩張相似的圖片，其獲得的結果也是相似的】，該論文結構與Kede Ma 2017TIP的網路結構是一樣的，只不過Kede Ma的網路結構是全連線的，而該論文使用一些比較出名的網路進行試驗，如AlexNet，VGG16。輸入是一張影象，輸出是影象的質量。在訓練時，輸入是兩張影象，分別得到對應的分數，將分數的差異嵌入loss層，再進行反向傳播。

       //// 訓練時，每次從影象中隨機提取224*224或者227*227大小的影象塊。和AlexNet、VGG16有關。在訓練Siamese network時，初始的learning rate 是1e-4；fine-tuning是初始的learning rate是1e-6，每隔10k步，rate變成原來的0.1倍。訓練50k次。

       //// 測試時，隨機在影象中提取30個影象塊，得到30個分數之後，進行均值操作。

6. 2017TIP.Waterloo Exploration Database: New Challenges for Image Quality AssessmentModels.

       ---- D測試：檢驗IQA模型是否能夠較好地分開原始影象和失真影象。

       ---- L測試：檢驗同一種失真型別下，不同程度失真影象的consistent ranking。

       ---- P 測試：檢驗演算法偏好的一致性，是否能將質量差異明顯的影象分開。

6.1 如何生成DIPs.

       使用三種全參考影象質量評價方法，包括MS-SSIM，VIF，GMSD。在生成DIPs之前，將計算得到的客觀分數，對映到同一個尺度下，比如與LIVE資料庫的尺度一樣。

7、2017TIP，Kede Ma, End to end blind imagequality assessment using deep neural networks.

7.1、Network:

訓練時，是多階段的。Subtask I, 訓練一個分類網路，輸出是一個向量，表示影象屬於哪種失真的概率，損失函式為交叉熵。Subtask II, fine tunesubtask I的引數。並且將subtask I的輸出與預測層的向量進行點乘.  測試時，給定一張影象，隨機提取256*256*3的影象塊，影象的失真型別由影象塊的失真型別投票所得。影象的分數為所有影象塊分數的均值。