논문 요약
Multiply-distorted 이미지들의 품질 평가를 위해 개발된 RR-IQA 알고리즘이다. (RR-IQA라고 말하지만 사실상 FR-IQA에 속한다고 볼 수 있다.) internal generative mechanism(IGM) 이론에 근거하여, 이미지를 예상되는 부분(predicted portion)과 무질서한 부분(disorderly portion)으로 분해한다. 그리고 각 부분에서 shearlet 변환과 Renyi directional entropy을 기반으로 해서 특성을 추출한 후, 왜곡 이미지 특성과 원본 이미지 특성의 차를 이용해서 SVR을 훈련시킨다. 예상되는 이미지에서는 shearlet 변환 후 특성이 도출되고, 무질서한 이미지에서는 Renyi 엔트로피가 특성으로 도출된다. shearlet 변환 후에는 다양한 스케일에서의 엣지 정보가 제공된다.
예상된 이미지는 주요 시각적 내용을 나타낸다. 이 부분에서의 왜곡은 주로 이미지의 시각적 구조에 영향을 준다. 결과적으로 시각적 이해를 저하시킨다. 반면 무질서한 이미지는 잔여 불확실 정보(HVS가 해석할 수 없는)를 포함한다. 이 부분에서의 왜곡은 주로 이미지의 무질서를 변화시키고, 이미지 이해하는데 제한된 정도로 불편함을 야기한다.
다양한 왜곡 유형들은 예상되는 부분과 무질서한 부분에 다른 열화를 야기한다. 예를 들어, AWGN은 구조에는 큰 영향을 미치지 않고 불편한 인지를 야기한다. 따라서 AWGN은 무질서한 부분에 나타나는 듯하다. 반대로 blur는 주요 시각 정보인 엣지를 변화시키므로 예상되는 부분에 주로 영향을 미친다.