訓練過程：

1、資料增強

2、使用第一步的資料在孿生網路上訓練（兩個分支共享權重）

3、使用質量評估資料集在網路的一個分支上進行微調

貢獻：

1、提出通過對兩張圖片對比容易分出質量好壞的想法；

2、進行資料增強：對同一張圖片，由它產生出來的一系列失真圖片的rank是已知的；

3、先對rankings進行學習，利用孿生網路（即兩個相同的網路（網路可以是CNN、lstm等），共享權重）進行建模。

4、將rankings形成兩兩組合，傳入孿生網路，然後得到高階特徵（可以認為是quality score）進行比較，計算出loss，然後反向傳播。

5、孿生網路loss則是利用了hinge loss，能夠更容易準確地學習到rank，也就是大間隔分類損失。
6、由圖片x1得到的質量分數y1，由圖片x2得到的質量分數y2，若y1與y2的比較結果與它們的真實rank一致則損失為0，若不一致，真實情況下大於則損失為1，真實情況下小於則為-1，真實情況下等於則為0。
7、在模型訓練好過後，只取孿生網路的一支（兩支都一樣，其實真實模型就是一支，不過當成兩支來用）。
8、將IQA資料集傳入模型，根據圖片的真實分數進行迴歸，微調（fine-tune）模型的引數，loss採用MSE。