全文总字数：3146字

1. 研究目的与意义及国内外研究现状

图像在计算机多媒体中占有重要地位，但各种图像采集设备(如摄像机，扫描仪等)采集到的原始图像往往尺寸过大，不便于存储和传输，因此，对图像的压缩往往是不可避免的。同时，图像在处理，压缩，存储，传输的过程中，不可避免的会出现失真的情况。因此，图像质量评价成为一个重要的课题。由于图像的最终服务对象是人，因此，最可靠的评价图像质量的方法自然是主观评估，但由于主观评价往往耗时而昂贵，因此，如何使客观的评价方法能达到和主观接近的成果，成为图像质量评价的目标。根据是否有参考图像的相关信息，可以将图像质量评价方法分为全参考，半参考和无参考三种，其中，全参考和半参考都需要原始图像的全部或部分信息，在许多情况下很难取得，因此，无参考图像质量评价是目前图像质量的主要方向。

卷积神经网络在此前已经被用于图像分类等领域，取得了不错的效果，在图像质量评价领域也有很大的潜力。同时，有学者证实了多任务的卷积神经网络有助于提升主任务学习的性能。因此，若能实现一个能够同时评价图像质量和鉴别失真类型的卷积神经网络，应当能取得不错的效果。

2. 研究的基本内容

目前的无参考图像质量评价方法普遍存在计算量大，参数复杂等问题，此外，各算法的针对不同失真类型的效果有着较大的差异。于此同时，卷积神经网络作为一种高效的深度学习算法，已被证明在图像质量评价方面有着不错的效果。因此，本算法的目的是实现一个双任务的卷积神经网络，以图像质量评价为主要任务，失真类型鉴别为次要任务，通过对参数的调整和优化，使其具有不逊色于此前算法的表现。

3. 实施方案、进度安排及预期效果

3月及以前：阅读相关文献，复现算法4月上半月：改进算法并得到结果

4月下半月：完成论文

预期效果：实现一种高效的双任务无参考图像质量评价算法，使其在预测图像质量方面不逊色于已有的算法，并且在失真鉴别方面性能由于其他多任务无参考图像质量评价方法。

4. 参考文献

z. wang a. c. bovik h. r. sheikh e. p. simoncelli, 'image quality assessment: from error visibility to structural similarity', ieee trans. image process. vol. 13 no. 4 pp. 600-612, apr. 2004. l. kang p. ye y. li d. doermann, 'convolutional neural networks for no-reference image quality assessment', proc. cvpr. pp. 1733-1740, jun. 2014. a. mittal, a. moorthy, and a. bovik, 'no-reference image quality assessment in the spatial domain', ieee transactions on image processing, 21(12): 4695-4708, 2012.

p. ye, j. kumar, l. kang, and d. doermann, 'unsupervised feature learning framework for no-reference image quality assessment', in ieee conference on computer vision and pattern recognition (cvpr), pp. 1098-1105, 2012.

j. kim and s. lee, 'fullydeep blind image quality predictor, ieee journal of selected topicsin signal processing, vol. 11, no. 1, pp. 206-220, 2017