本次介紹的是2018CVPR另一篇圖像質量評價的論文——Blind Predicting Similar Quality Map for Image Quality Assessment。這篇采用的思路與之前那篇2018CVPR相近，同樣是采用了質量圖像生成的方法。
這篇論文主要的特點是以全參考的相似圖來作為生成網絡的label，生成網絡的結構采用了之前U-net架構，同時這篇論文還采用了一種集成的思想，即用多種的全參考方法各自進行質量圖的學習，在質量回歸網絡中將多種方法生成的圖像進行集成。主要研究的全參考方法為SSIM,FSIM,MDSI。論文的邏輯特別嚴謹，對比分析了有無質量圖生成環節的效果差異，以及各類FR方法的影響，和集成時采用的兩個方法的效果差異，以及FR方法搭配的效果，以及回歸網絡的結構的影響。
之前我在做實驗的時候常常遇到的一個問題是，實驗的次數，在之前的一些論文中往往是取10次，但是這篇論文取了100次，結果更加的可靠。這兩篇CVPR給我感受是，質量圖的預測對于提升算法性能的效果是非常巨大，在之后的實驗中可以將其加入。
