Investigación de métodos de normalización para la evaluación de la calidad de imágenes basada en CNN

Antes de entrenar redes neuronales convolucionales (CNN) para la evaluación de la calidad de imágenes (IQA), a veces se recomienda la normalización de entrada y a veces no, según la literatura. Aunque se sabe que la normalización de entrada mejora el entrenamiento del modelo y ayuda en el aprendizaje de características importantes, puede resultar en la pérdida de información, como el contraste, el color y la luminancia. Para explorar mejor este problema, realizamos un estudio empírico para investigar primero el efecto de la normalización en el rendimiento del modelo y luego qué método de normalización se adapta mejor a la IQA entre los métodos existentes. Se compara estadísticamente el rendimiento de los métodos seleccionados con tres métodos básicos de escalado. Se encuentra que la aplicación de la normalización es estadísticamente significativa en tres bases de datos de IQA. La mejora del rendimiento en las bases de datos generales, así como la degradación por cada individuo, se demuestra en los resultados experimentales.