평점 없이 품질을 모형화하기
깊은 특징은 시각 표현에 유용하지만 많은 품질 평가망은 사람의 평가 점수에 의존한다. MDFS는 사전 학습된 시각 특징에 통계 분석을 결합해 이런 평점 의존을 줄이는 방향을 취한다. 무참조라는 입력 조건과 평점을 사용하지 않는 학습 조건을 구분할 수 있다.
특징을 분포로 나타내기
사전 학습 시각 모형에서 패치별 다중 척도 특징을 추출한다. 특징을 다변량 가우시안 모형에 맞춘다. 이미지의 원래 픽셀 분포를 단순 평균 내는 대신 깊은 특징 공간의 통계를 다루는 접근이다.
고품질 집합과의 거리
평가 이미지에서 얻은 가우시안 모형과 고품질 이미지 집합에서 얻은 기준 모형의 거리를 이용해 점수를 정한다. 같은 장면의 깨끗한 원본을 요구하는 전참조 비교와는 다르다. 기준 집합의 분포가 어떤 이미지를 담는지도 중요하다.
평균이 같은 다른 분포
설명용 특징 표본 (0, 2)와 (1, 1)은 평균이 모두 1이지만 퍼짐은 다르다. 분포 모형은 평균만으로 드러나지 않는 차이를 다룰 수 있다. 실제 특징 차원이나 가우시안 거리 공식 전체를 나타내는 예는 아니다.