深度学习NR-IQA

深度学习模型在无参考图像质量评估（NR-IQA）任务中已经取得了很多成功。NR-IQA是一种用于衡量图像质量的方法，不需要参考图像。下面是一些常见的深度学习方法用于NR-IQA的示例：

1. CNN：卷积神经网络（CNN）是常用的深度学习模型，在NR-IQA中也有广泛应用。通过使用CNN模型，可以提取图像的特征，并根据这些特征来评估图像的质量。

2. VGG-Net：VGG-Net是一种经典的CNN模型，常用于图像分类任务。在NR-IQA中，可以使用预训练的VGG-Net模型来提取图像特征，然后根据这些特征进行图像质量评估。

3. ResNet：残差网络（ResNet）是一种深度残差学习模型，通过引入残差连接来解决深层网络训练中的梯度消失问题。在NR-IQA中，可以使用预训练的ResNet模型提取图像特征，并使用这些特征来评估图像质量。

4. GAN：生成对抗网络（GAN）是一种用于生成数据样本的深度学习模型。在NR-IQA中，可以使用GAN模型生成一组合成图像，然后使用深度学习模型评估这些合成图像的质量。