독립된 패치의 한계
각 패치의 점수를 따로 계산하면 멀리 떨어진 부분 사이의 관계가 충분히 드러나지 않을 수 있다. VTAMIQ은 패치의 시퀀스를 트랜스포머로 부호화해 이미지의 전역 표현을 만든다. 패치들의 상호 의존성을 고려하는 것이 핵심이다.
두 단계의 주의
트랜스포머 안에서는 자기 주의 기구를 이용한다. 차이 조정 신경망에서는 채널 주의를 이용해 중요한 특징을 드러내고 강화한다. 공간의 관계를 표현하는 단계와 특징 차이의 중요도를 조절하는 단계를 구분해 이해할 수 있다.
사전 학습과 일반화
분류 및 이미지 품질 평가 과제의 대규모 사전 학습을 이용한다. 학습에서 보지 못한 이미지와 왜곡에 대한 평가도 중요하다. 학습 자료 안에서 높은 일치를 보이는 것과 다른 자료로 옮겨도 잘 작동하는 것은 같은 검증이 아니다.
작은 차이의 비중
설명용 특징 차이가 (2, 6)이고 중요도 계수가 (1, 0.1)이라면 성분별 조정 결과는 (2, 0.6)이다. 차이가 크다는 이유만으로 항상 중요한 것은 아니라는 예다. 실제 VTAMIQ의 차원이나 채널 주의 공식 전체를 나타내지는 않는다.