Learning-Based Quality Assessment for Image Super-Resolution 论文链接：https://arxiv.org/abs/2012.08732 作者单位：福州大学, 滑铁卢大学 本文创建了目前最大的SR图像质量评估数据集：SISAR，包含100个自然场景的8400张HR图像，并提出SR-IQA端到端新网络：DISQ，该数据集和代码即将开源！

图像超分辨率（SR）技术通过增强图像的空间分辨率来提高视觉质量。质量评估指标在比较和优化SR算法中起着关键作用，但是当前的指标仅获得有限的成功，这在很大程度上是由于缺乏大规模的质量数据库，这对于学习准确而可靠的SR质量指标至关重要。在这项工作中，我们首先使用新颖的半自动标记方法构建了一个大型SR图像数据库，这使我们能够以可管理的人员工作量标记大量图像。生成的具有半自动评分（SISAR）的SR图像质量数据库（迄今为止最大的SR-IQA数据库）包含100个自然场景的8400张图像。我们通过使用双流深度神经网络（DNN）进行特征提取，再使用特征融合网络进行质量预测，来训练端到端的深度图像SR质量（DISQ）模型。实验结果表明，所提出的方法优于最新指标，并在跨数据库测试中实现了有希望的泛化性能。SISAR数据库和DISQ模型将公开提供，以促进可复现的研究。

内容中包含的图片若涉及版权问题，请及时与我们联系删除