MA论文理解

代码：https://github.com/chaoma99/sr-metric
论文理解：https://blog.youkuaiyun.com/weixin_42113955/article/details/96162541
我们在空间和频率域设计了三种低级统计特征来量化超分辨伪影，并学习了两阶段回归模型来预测超分辨图像的质量分数，而不参考GT图像。回归提取的三种低级统计特征SR图像到感知分数。实验结果表明，所提出的度量优于现有的SR性能评估方法。
我们的工作，在本质上，使用了与一般图像质量评估相同的方法
(IQA)方法。然而，我们使用SR算法来评估信号重构的有效性，而不是像现有的IQA那样分析噪声和失真(例如压缩和衰落)
其次，我们开发了一个大规模的SR图像数据集，并对这些图像进行人体研究
According to whether the ground-truth HR images are referred, existing metrics fall into the following three classes

1. Full-reference metrics
2. Semi-reference metric
3. No-reference metrics

我们利用三种统计特性作为特征，包括局部和全球频率变化和空间不连续，以量化伪影和评估SR图像的质量

主要步骤

提出的无参考度量的主要步骤。对于每个输入的SR图像，使用空间和频域计算的统计信息作为特征来表示SR图像。每一组提取的特征在单独的集成回归树中进行训练，通过学习大量的视觉感知分数，使用线性回归模型预测质量分数。