《表2 不同IQA方法残差分数的统计显著性》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《CT图像的质量评估策略:基于预恢复图像先验信息》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图4实验结果给出了在本文实验框架下，PR-IQA方法最优的超参数组合为卷积层层数为1，图像块尺寸16×16，卷积核尺寸3×3，卷积核数目30。本文推测由于训练数据集较小，单卷积层CNN模型对于该实验已适用，过深的卷积层会带来过拟合问题，导致方法性能下降。从表1和表2实验结果可以看出，基于单一图像信息输入的BASELINE方法性能劣于经典的FR-IQA算法SSIM、MAD和NR-IQA算法BRISQUE，这是因为CNN获取信息来源单一，难以充分提取CT图像质量相关特征。对比发现本文提出的PR-IQA方法相比BASELINE方法各项性能指标都有显著提升，这得益于PR-IQA方法融合图像恢复算法的先验信息进入网络训练中，多信息融合输入可以帮助CNN更好地提取特征。同时可以观察到PR-IQA方法的性能超越了所有的经典IQA方法，进一步证明了多信息融合输入可以帮助CNN可以更充分地发挥其数据驱动学习模式的优势，体现本文设计的PR-IQA算法的优越性。