参考：https://blog.csdn.net/iamagentleman/article/details/81382409
RAN4IQA: Restorative Adversarial Nets for No-Reference Image Quality Assessment
这篇论文同样采用了GAN的思路去生成伪参考图像进行图像的质量评估，同时结合了bosse的块加权的方法。
Deep Neural Networks for No-Reference and Full-Reference Image Quality Assessment
这篇论文提出了块加权的方法。以为数据量小，所有大多数的质量评价工作是基于图像块做的，但是这带了一个问题，质量块的质量和groundtruth不匹配，不是很对应，kim团队提出了用全参考的方法去预测，而这篇论文解决的是另一个问题，如何将众多的图像块的质量融合成一个分数，因为人眼对于图像时具有敏感性的，即图像的显著性。这个工作的训练策略是分为两步，第一步做一般化的质量回归模型，训练稳定后，保持这部分的参数不更改，在训练一个加权的分支。