为了推进无参考视频质量预测，我们构建了一个大规模的视频质量评估数据库，其中包含由大量用户捕捉的独特内容的 585 个视频，具有各种复杂，真实扭曲的级别。我们通过众包收集了大量的主观视频质量分数，总共有 4776 个独特的参与者参加了本次研究，产生了超过 205000 条意见分数，每个视频平均记录了 240 个人的意见。我们称之为 LIVE-VQC 的新资源的价值是通过在其中进行领先的 NR 视频质量预测器的比较来证明的；这是有史以来在内容数量、捕获设备、畸变类型与畸变组合、研究参与者和记录的主观分数等多个关键维度上进行的最大的视频质量评估研究。

Mar, 2018

Mobile streaming video is often affected by the unstable bandwidth of modern wireless networks resulting in playback interruptions; this paper proposes a machine learning framework called Video ATLAS, which combines several quality-related features to predict users' quality of experience and provides improved performance over existing metrics while generalizing well on different datasets, enabling cost-effective adaptive network strategies.

Mar, 2017

使用机器学习技术为网络服务提供商提供了一种实用的框架，可以评估和预测用户对服务的满意度，从而通过实时动态分配网络资源来降低成本并提高客户满意度。

Jun, 2024

本文介绍一种新的数据集: LIVE In the Wild Image Quality Challenge Database，旨在解决已有的图片质量数据库由于受控条件下被损坏无法很好地反映真实情况的问题，采集了大量真实环境下采集的图片，并通过在线众包系统进行了大规模的主观评估研究，为盲目的图像质量评估算法提供基础研究和深入分析。

Nov, 2015

通过人体研究，我们设计了一个包含 480 个视频、6 种不同的帧率和 5 种不同的压缩级别的 客观资源池，以了解高帧率视频与感知视频质量之间的关系，并且评估了现有的全参考和无参考视频质量算法在此新数据集上的表现。

Jul, 2020

本文通过一项大规模主观研究 Mobile Cloud Gaming Video Quality Assessment，提出了一个新数据集，并对现有算法进行了基准测试。

May, 2023

视频质量评估在视频处理领域中起着至关重要的作用，本文提供了对视频质量评估研究的最新和全面的综述，包括主观视频质量评估方法和数据库、通用目的的客观视频质量评估算法、特定应用和新兴主题的客观视频质量评估指标的概述，以及最先进的视频质量评估指标的性能比较和分析。

Feb, 2024

本文的研究旨在理解 UGC 游戏视频的感知特征，采用主观人类研究和客观评估方法评价零星的 UGC 游戏视频，评估了包括基于自然视频统计和 CNN 学习特征的 GAME-VQP 模型在内的多个最新 VQA 模型，为游戏视频的 VQA 模型开发提供帮助。

Mar, 2022

本文介绍一种基于深度学习框架的视频质量评估方法，综合考虑了压缩失真和传输延迟，通过端到端特征学习，可提高视频内容传输机制 VQA 的准确性。

Sep, 2018

本文讨论了在各种因素的干扰下，如何对自然视频的视频质量进行评估，构建了 Maxwell 数据库，并提出了 MaxVQA，一种基于 Vision-Language 模型的视频质量评估方法。

May, 2023