出处：2018年1月的IEEE TIP上的文章
数据库：LIVE，CISQ，TID2013和Wild Image Quality Challenge数据库
源码：https://github.com/dmaniry/deepIQA
贡献
1、针对IQM问题的公开数据集比较小，作者在图像上进行random sample patch方法，每个patch的质量分为整张图片的质量数；
2、对局部区域采用加权方法（Weighted Average Deep Image QuAlity Measure）；
3、不做归一化，从而使得luminance和contrast这类的全局特征也可以作为评价的特征；
4、采用了Siamese network的结构（VGG）
模型
FR模型：
NR模型：
区别：FR模型去掉孪生网络的一个分支就是NR模型
FR前向传播：首先，两个输入（distorted和reference）通过一个孪生CNN网络（也就是权值共享的结构相同的网络），然后得到feature vector，这个提取特征的网络是一个vgg-like的，分别得到的两个feature vector，两者进行fusion，再显式的加上两者的差，进行concat，得到融合的vector，即
，用于回归。如果是对图像的patch 的Q进行平均的话，那么就只需要回归patch上的quality，而如果要加权平均，同时还要回归一个权重。然后做一个spatial pooling，得到最终的image quality。
（1）特征提取：
所有卷积层都应用3×3的卷积核，并通过ReLU激活函数。为了获得与输入相同大小的输出，应用零填充来应用卷积。为了防止过拟合，对于fully-connected layer应用比率为0.5的 Dropout Regularization。论文输入是32×32的patch；
（2）特征融合：
输入distorted和reference的patch，通过Siamese networks两个分支分别直接处理，可以得到参考图像的特征向量 fr 和失真图像的特征向量fd，然后进行特征融合，由于和的spatial 空间是一致的，这使得的差值能够有效地表示特征空间上的距离。为了简化回归任务，显式的加上，即
。
（3）加权：
简单平均加权：如果是对图像的patch 的质量进行平均的话，那么需要对每个patch的质量回归，最后得到整幅图像的视觉质量，计算方式如下（是图像块的数量，
是每个patch的质量）。
实验总结
1、加权平均的方法受到失真类型和失真空间分布的影响，在某些测试中效果达到没有最好（表一）；
2、对于失真图像，参考图像的信息对池化局部权重非常重要（表四）；
3、数据集大小对模型性能影响很大（表五）；
4、池化局部权重方法的NR具有更强的泛化能力（表六）；
5、patch的数量32最佳；
6、特征融合使用
效果更好，直接融合fr与fd效果最差（表8）；