本次介绍的是2018CVPR另一篇图像质量评价的论文——Blind Predicting Similar Quality Map for Image Quality Assessment。这篇采用的思路与之前那篇2018CVPR相近，同样是采用了质量图像生成的方法。
这篇论文主要的特点是以全参考的相似图来作为生成网络的label，生成网络的结构采用了之前U-net架构，同时这篇论文还采用了一种集成的思想，即用多种的全参考方法各自进行质量图的学习，在质量回归网络中将多种方法生成的图像进行集成。主要研究的全参考方法为SSIM,FSIM,MDSI。论文的逻辑特别严谨，对比分析了有无质量图生成环节的效果差异，以及各类FR方法的影响，和集成时采用的两个方法的效果差异，以及FR方法搭配的效果，以及回归网络的结构的影响。
之前我在做实验的时候常常遇到的一个问题是，实验的次数，在之前的一些论文中往往是取10次，但是这篇论文取了100次，结果更加的可靠。这两篇CVPR给我感受是，质量图的预测对于提升算法性能的效果是非常巨大，在之后的实验中可以将其加入。
