서로 다른 수준의 특징
이미지 품질은 국소적인 손상과 전체 장면의 구성 모두에 영향을 받을 수 있다. MSTRIQ는 Swin Transformer의 여러 단계 특징을 모아 지역 및 전역 정보를 통합한다. 한 단계의 표현만으로 판단하지 않는 방향이다.
순위와 점수의 결합
사람이 평가한 대규모 자료가 부족한 문제를 고려해 이미지 사이 상대 순위를 회귀 손실과 함께 학습한다. 어느 이미지가 더 좋은지 아는 것과 정확히 몇 점 차이인지 아는 것은 다른 정보다. 두 신호를 함께 사용하는 이유도 여기서 이해할 수 있다.
자료 증강과 적용 범위
효과적인 자료 증강을 사용해 성능을 보완한다. 여러 왜곡을 다루더라도 학습과 평가 자료의 분포 차이는 남을 수 있다. 무참조 점수는 원본과의 실제 픽셀 차이를 직접 측정하는 값으로 해석해서는 안 된다.
상대 순위의 독립 계산
설명용 목표 점수가 2와 8인데 예측이 4와 5라면 순서는 맞아도 값의 차이는 작게 추정했다. 실제 연구 점수나 손실식을 사용한 수치가 아니다. 순위 일치와 회귀 정확성을 구분하기 위한 예다.