这是一篇2018年CVPR的论文，强调的一点是生成网络（GAN）和回归网络的互补互助，将两个网络结合在一起进行端到端的训练。
作者运用了“没有条件要创造条件”的思想，提出了通过GAN生成的伪参考图引导质量回归网络来解决无参考图像质量评价问题。
数据库：LIVE、CSIQ、TID2008、TID2013
项目：https://kwanyeelin.github.io/projects/HIQA/HIQA.html
框架：caffe
贡献：
1、在质量回归网络中引入GAN，为NR提供了伪参考图；
2、在GAN的生成器中加入了质量感知的loss；
3、使用判别器判别伪参考图；
4、进行特征融合，防止无意义的伪参考图对R造成影响；
网络架构
扫描二维码关注公众号，回复：
5524693 查看本文章
生成网络：输入为失真图像，通过卷积和反卷积，生成一张伪参考图（Hallucinated image）；
判别网络：判断生成的伪参考图和失真图像是否相似；
图像质量预测网络：输入是失真图和伪参考图与失真图的差异图（Discrepancy Map），输出质量分数。
1、质量感知生成器（G）
总损失：
Lp损失是参考图与GT的像素级误差（MSE），即
Ls损失是特征空间质量感知误差，即
Lv是G的相关损失，Lq是R网络相关的损失（这样通过R网络预测质量分数的好坏，影响了G网络）。
Ladv是G的对抗损失，即
2、判别器（D）
引入了对抗生成的机制，判别G生成的图片是否真实，反向促进了G的优化
3、质量回归网络（R）
输入：失真图和差异图
高级语义融合：防止生成无意义的伪参考图影响R质量回归。
损失：
