Making a "Completely Blind" Image Quality Analyzer
質量評估大佬AC Bovik的作品，1200+引用。
目標問題：提出一些普適的、與主觀質量接近的客觀評估指標。普適意味着：無失真先驗。
背景：現有的普適NR-IQA方法需要訓練集（圖像包含預期的失真，且需要人類評分數據）。這種方法泛化能力差，且要求高。
解決思路：從自然圖像中獲取一些統計數據（natural scene statistic, NSS），用來刻畫圖像質量。即不再需要人類評分數據用於訓練。基於此的方法稱為Natural Image Quality Evaluator (NIQE)。
效果：與SOTA的、基於訓練的NR-IQA方法平起平坐。
意義：這種方法才是真正的blind。因為如果我們有合適的數據集，就說明我們對失真有了一定的預判，使得訓練集和測試集的失真模式是一致的。雖然測試階段是盲的，但訓練顯然非盲。
1. 技術細節
作者稱之為no reference opinion-unaware distortion-unaware IQA model。一句話概括：將一系列quality-aware的特征，用一個多元高斯（multivariate Gaussian MVG）模型進行建模。那么，有損圖像的質量就是其MVG 以及 自然圖像的MVG 的距離。
1.1 NSS特征
第一步，圖像歸一化：減去局部均值，除以標准差+1：
這一步即計算了本文選擇的NSS！根據參考文獻[10]【這個文獻很重要】，無損自然圖像的式（1）遵循高斯分布。如果是非自然圖像（如計算機渲染圖像）或受損圖像，那么分布就不像高斯分布。
注意：該指標在BRISQUE[3]中已經被用過。但BRISQUE方法沒有NIQE好？
1.2 選擇銳利塊來計算NSS
第二步，我們選擇塊，來計算以上的NSS。注意，我們只考慮那些顯著性高的區域，一般是銳利的區域[12]。前面我們計算了每個像素點鄰域的標准差，因此我們可以據此估算該區域的銳利程度：
如圖即選出的區域示例：
然后，我們簡單設一個閾值，該閾值為整個圖像峰值銳利度的75%。超過閾值即銳利塊，被選出計算NSS。
1.3 一張圖像得到36個特征
第三步，我們用零均值的廣義高斯分布（generalized Gaussian distribution, GGD）來建模自然圖像的NSS：
和[3]一樣，本文通過相鄰像素NSS的相乘，來檢測該NSS指標的異常。
建模時，我們考慮4個方向、2種塊的尺度。每一個GGD模型有4個參數，一共能產生36個特征。產生方法要看[3]。
1.4 用MVG建模這36個特征
第四步，我們用MVG建模自然圖像的這36個特征。
1.5 NIQE指標
最后，我們計算目標MVG和自然MVG的距離，即NIQE得分：
2. 實驗
我們只看一個實驗：我們需要多少自然圖像進行訓練，模型才會收斂？
可見，當超過100張圖像時，模型的穩定性就很好了。