이미지 품질에 대한 객관적 평가 방법은 일반적으로 '손상된'(degraded) 이미지의 픽셀을 원본 이미지의 픽셀과 비교함으로써 작동한다. 인간 관측자와 비교할 때 이러한 방법은 텍스처 영역의 리샘플링(예: 잔디의 한 조각을 다른 조각으로 대체하는 것)에 지나치게 민감하다. 본 연구에서는 텍스처 리샘플링에 대해 명시적인 내성을 갖는 최초의 전체 참조(image quality) 모델을 제안한다. 컨볼루셔널 신경망을 활용하여 이미지를 다중 해상도의 과잉 표현(multi-scale overcomplete representations)으로 변환하는 일대일 대응(injective)이고 미분 가능한 함수를 구축한다. 실증적으로 이 표현 내 특징 맵의 공간 평균이 텍스처의 외관을 잘 포착함을 보여주며, 다양한 텍스처 패턴을 합성할 수 있는 충분한 통계적 제약 조건을 제공함을 확인하였다. 이후 이러한 공간 평균의 상관관계(‘텍스처 유사성’)와 특징 맵의 상관관계(‘구조 유사성’)를 결합한 이미지 품질 평가 방법을 제시한다. 제안된 측정 방법의 파라미터는 인간의 이미지 품질 평가 점수와 일치하도록 공동 최적화되며, 동일한 텍스처 이미지에서 자른 부분 이미지들 사이의 거리 측정값을 최소화하도록 설정된다. 실험 결과, 최적화된 방법이 전통적인 이미지 품질 데이터베이스뿐 아니라 텍스처 전용 데이터베이스에서도 인간의 지각적 평가 점수를 잘 설명함을 입증하였다. 또한 텍스처 분류 및 검색과 같은 관련 작업에서도 경쟁력 있는 성능을 보였다. 마지막으로, 특별한 학습 또는 데이터 증강 없이도 기하학적 변환(예: 이동 및 확대)에 상대적으로 민감하지 않음을 보여주었다. 코드는 https://github.com/dingkeyan93/DISTS 에서 공개되어 있다.