1.
top-down方法：有监督的机器学习问题，回归或者说是函数近似问题。
但是这个方法有一个问题，把每一个像素点都当作一个点，维度太高而且主观测试太昂贵，基本上不可能覆盖所有维度。那如果用降维的方法呢？即使降维，也很使维度小于等于10，因此一般作用的IQA不太使用这个方法，特定目的的IQA或许会采用这个方法。
structural similarity approach ：
基于HVS可以提取出结构化的信息的假设。
定义结构化和非结构化：
we may define nonstructural distortions as those distortions that do not modify the structure of objects in the visual scene, and therefore define all other distortions to be structural distortions
定义几种非结构化的失真，然后把其他失真当作结构化的。
Structural Similarity and Image Quality(SSIM)
where the constant C1 is included to avoid instability when μ2 x + μ2 y is very close to zero. Specifically, we take C1 = (K1L) 2, where L is the dynamic range of the pixel values (255 for 8-bit grayscale images), and K1 << 1 is a small constant.
whereC2 = (K2L) 2, and K2 << 1
但由于以下原因：
首先，统计图像特征通常表现出显著的空间不稳定性。
第二，图像失真，这可能取决于也可能不取决于在本地图像统计上，也可能是空间变量。
三、在一般观看距离，只有图像的局部区域可以被人类观察者在给定时间瞬间以高分辨率感知。
我们更经常用滑动窗口的方法使用局部的SSIM，
、Here X and Y are the reference and the distorted images, respectively; x j and y j are the image content in the j -th local window; Ns is the number of samples in the quality map; and Wj(xj, y j) is the weight given to the j -th local window. When Wj(x j, y j) ≡ 1, a simple Mean SSIM measure is defined
那么W是怎么计算的呢？
A smoothly varying foveated weighting model:
