摘要
由于无需参考图像就可以对失真图像的质量进行量化评估，无参考图像质量评估在图像优化算法、图像质量控制等领域具有重要的实用价值。本文以无参考的失真图像为研究对象，对现有模型及训练策略进行改进，通过改善深度学习模型的失真特征提取能力来提高图像质量预测的准确率，并在小数据集以及在自然失真数据集等不利条件下，使用深度元学习的训练策略提高模型预测效果。论文主要工作如下: (1)提出了一种基于双分支卷积和注意力的无参考图像质量评估模型。首先，使用边缘提取算子从原始失真图像中获取边缘图像;然后，设计专门的一路网络分支在边缘图像中提取边缘特征，并对基于Inception-ResNet的主分支网络进行改进，在其中引入注意力模块，从而提取更有效、更丰富的失真特征。接着，将两路特征进行融合,并使用全连接层建立起卷积层特征和需要预测的图像质量分数之间的映射关系。实验结果表明，本文的方法在图像质量评估数据集Koniq-10k上PLCC指数和SRCC指数分别为0.945和0.928,提高了图像质量评估的准确率。最后，针对上述重量级模型占用大量存储空间从而限制低性能设备部署应用的问题，使用模型轻量化技术，在识别精度下降不到2％的情况下能够节约3倍左右的存储空间。 (2)提出一种基于隐梯度模型无关元学习算法(iMAML)的无参考图像质量评估方法。本文利用元学习训练中特殊的任务构造，将其与失真类型联系在一起，让元学习算法在特定失真类型的任务上进行学习，期望模型参数适应各种失真类型。通过元学习算法的内外双层优化过程，把每种失真类型当成一个优化任务，优化过程中不仅仅学习单个任务最优的参数，还致力于学习到多个任务上平均较优的参数，获得良好的参数优化方向。后续在面对未知失真类型任务时，该模型能够快速收敛，减少了对训练样本的依赖，并在面对未知失真类型和自然失真图像时预测效果较好，还使用金字塔池化技术解决了图像放缩尺寸过大带来的精度下降的问题。实验结果表明，该算法识别准确率在多个数据集上取得高出主流方法的效果。
NETL