郝大为，张相芬，袁非牛

(上海师范大学 信息与机电工程学院，上海 201418)

0 引 言

目前，图像质量评价(image quality assessment，IQA)方法主要分为两类：主观图像质量评价和客观图像质量评价。客观图像质量评价主要有[1]：全参考图像质量评价、半参考图像质量评价和无参考图像质量评价(no-reference image quality assessment，NR-IQA)。传统的NR-IQA需要事先知道图像的失真类型，然而真实失真场景中的图像失真类型往往都是未知的，这时基于特定失真类型手工设计特征的方法在复杂多变的未知失真类型场景中往往表现出较强的局限性，模型不能准确预测失真图像的质量分数。

近几年发展起来的基于卷积神经网络(convolutional neural network，CNN)的NR-IQA得到越来越多人的关注。这类方法无需针对特定失真类型手工设计特征，直接将原始失真图像输入CNN中提取特征进行预测，利用卷积神经网络强大的特征表达能力，在NR-IQA任务中获得了出色的性能表现。当前基于CNN的NR-IQA按照其网络架构设计主要分为两类。第一类网络结构借鉴迁移学习的思想，把在大规模图像分类数据集ImageNet上预训练的CNN作为主干网络，将模型在NR-IQA任务上进行微调，然后预测失真图像质量分数。例如，Yang D等[2]提出了一个孪生神经网络架构，将预训练的VGG网络作为特征提取网络，通过交叉数据集训练获得了较好的性能。Hosu V等[3]基于InceptionResNet[4]网络结构设计了用于NR-IQA任务的深度学习模型KonCept512。另一类网络结构针对不同尺度下的特征图设计多级特征融合模块，以缓和下采样过程中图像质量特征降质的问题。代表性的有，Wu J等[5]提出一种端到端的用于NR-IQA任务的级联深度神经网络(cascaded CNN with HDC，CaHDC)，对图像进行多级特征提取，进而进行质量预测。……