یادگیری غیرنظارتی ویژگی برای ارزیابی کیفیت کور تصاویر فراتفکیک پذیر

افزایش تفکیک پذیری تصاویر، یک مسئله کلاسیک در زمینه پردازش تصویر است که هدف آن ایجاد تصاویر با تفکیک پذیری بالا از تصویر با تفکیک پذیری پایین است. الگوریتم های بسیاری در این زمینه تاکنون ارایه شده اند. با این حال، ارزیابی موثر کیفیت این نوع تصاویر همچنان بعنوان یک زمینه تحقیقاتی چالش برانگیز باقی مانده است. روش های معمول ارزیابی کیفیت تصویر، همخوانی کافی با معیارهای ادراکی ندارند. لذا ارایه روش های ارزیابی کیفیت خاص تصاویر فراتفکیک پذیر، اهمیت بالایی دارد. در این مقاله ما یک روش ارزیابی کیفیت بدون مرجع برای تصاویر فراتفکیک پذیر ارایه می کنیم که با یادگیری بدون برچسب یک کتاب اتم ها روی تصاویر مرجع با تفکیک پذیری بالا و بازنمایی بلوک های تصاویر فراتفکیک پذیر با این کتاب، ویژگی های محلی تولید می نماید که قادرند تخریب های ناشی از افزایش تفکیک پذیری را به خوبی توصیف نمایند. این ویژگی ها با یک رویکرد مناسب هرمی، تلفیق شده و بردار ویژگی سراسری از تصویر تولید می کنند. این بردارها و امتیازات کیفیت چشمی در نهایت، جهت آموزش یک مدل رگرسیون مورد  استفاده قرار می گیرند. نتایج تجربی نشان می دهند که این روش در عین سادگی، سرعت و عدم نیاز به حجم بالای داده آموزشی، کارایی بهتری نسبت به روش های موجود دارد.