图像质量评价（IQA）Optimizing Multistage

2018 TRANSACTION ON MULTIMEDIA的一篇文章，没有用到深度学习，是基于BoW的一种特征提取模型。高等代数的知识记得不牢固了，文章看的一知半解，等过段时间复习下数学知识再补充些理解。

文章主要解决的问题是现有的codebook构建方法存在两个问题，一个是codebook维数比较大，占用内存多且会引起过拟合的问题，二是现有的构造方法采用无监督的方法，样本质量信息的缺失造成结果非最优。模型的整体结构如下：

模型结构

模型可以分为两个部分，第一部分是MSDD的搭建，第二部分是根据MSDD进行质量评估。

MSDDL部分：1）首先把图片切成patch（p），然后转化为灰度图。2）每个patch根据FSIM算子求出质量分数（s）3）根据s值的不同，把p分成k组，处于i组的patch对应一个q值为：

quality-discriminative code

y和q作为输入，优化函数如下进行LC-KSVD：

optimization

4）Multistage体现在每次svd计算出来的结果，与输入y计算求得一个残差图，该残差图作为下一级的输入，直到达到的预设的N次，流程如下：

MSDDL

这样我们得到一个codebook。

MSFE：根据得到的codebook（D）求得特征值X，迭代过程和上述一致：

optimization
Multi-stage feature encoding

最后根据得到的特征值经过池化（均值）和回归（支持向量机），得到最终的结果。

本文主要的创新在于一个多次运用SVD求取特征值，采用残差作为下一层输入，可以看作提取更深度的信息。