Dec, 2019

KonVid-150k: 野外视频无参考质量评估数据集

PDF
TL;DR我们介绍了一个新的数据集 KonVid-150k，提出了一种新的高效的 VQA 方法（MLSP-VQA），与现有的深度学习方法和基于手工特征的方法相比，它在标准性能指标方面表现得最好，能够应对不同级别的标签噪声和数据集大小，并在跨数据集上设置了新的准确度记录。
video quality assessmentdeep learningkonvid-150k datasetmlsp-vqa approachspearman rank-order correlation coefficient
发现论文，激发创造
  • 混合数据集下野外视频的统一质量评估培训

    在计算机视觉中，我们提出了一种用于自动评估野外采集视频质量的混合数据集训练策略，并探索了人类视觉系统的内容依赖性和时间记忆效应。实验结果表明，该模型在相对质量、感知质量和主观质量预测方面具有卓越性能，与现有最先进的模型相比，提高了 VQA 性能的成功率。

    Nov, 2020

  • KonIQ-10k：一个生态有效的用于盲目图片质量评估的数据库

    通过众包的方式，我们创建了 KonIQ-10k 数据集，该数据集是目前最大的图像质量评估数据集，共计包括 10,073 张有质量评分的图像。我们还提出了一种新的运用深度学习的模型 KonCept512，该模型通过 InceptionResNet 架构进行训练，在高分辨率的数据集上具有了比现有技术更好的泛化性能（SROCC0.921）

    Oct, 2019

  • 野外视频品质评估

    本文提出了一种基于深度神经网络，利用人类视觉系统的内容依赖和时间记忆效应来进行无参考视频质量评估的方法，并在三个公开数据库上进行实验证明该方法相较于五种最先进的方法有着 12.39％，15.71％，15.45％和 18.09％不等的总体性能提高。

    Aug, 2019

  • KonIQ-10k：面向生态有效和大规模的 IQA 数据库

    本文介绍了一种系统化、可规模化的方法，用于创建大规模的、真实和多样化的图像数据集，以进行图像质量评估，并构建了一个包含 10,073 个图像的 IQA 数据库，其中进行了大规模众包实验，以获得 1,467 个众包工人（1.2 百万评分）的可靠质量评级。

    Mar, 2018

  • 基于机器学习的视频编解码器的全参考视频质量评估

    机器学习视频编解码器领域的研究论文，提出了一种新的全参考视频质量评估模型和数据集，证明现有评估指标对于机器学习视频编解码器并不高度相关，并开源数据集和评估模型以促进该领域的研究。

    Sep, 2023

  • RankDVQA-mini: 知识蒸馏驱动的深度视频质量评估

    通过使用剪枝驱动的模型压缩和多层级知识蒸馏的两阶段工作流程，我们成功地显著减小了排名型深度视频质量评估方法 RankDVQA 的模型大小和运行时间，得到了一个轻量级的质量度量指标 RankDVQA-mini，其参数量不到原始版本的 10%（FLOPs 为原版本的 14%），但在质量预测性能上超过了大部分现有的深度视频质量评估方法。

    Dec, 2023

  • 实现现场视频质量评估的可解释性方法：数据库和基于语言提示的方法

    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

  • 基于深度学习的 UGC 视频无参考质量评估模型

    本文提出了一种简单有效的 UGC 视频质量评估模型，通过训练端到端的空间特征提取网络直接从视频帧像素中学习感知质量的空间特征表示，并提取运动特征来度量空间特征无法建模的时间相关失真。

    Apr, 2022

  • 通过品质感知预训练和运动感知盲目评估野外视频的质量

    本文提出了一种模型基础的迁移学习方法，旨在将知识从图像质量评估（IQA）数据库和大规模的行为识别中传输到目标视频质量评估（VQA）数据库。该方法使用混合的列表排序损失函数进行训练，并在六个数据库上进行广泛的实验以验证其有效性。

    Aug, 2021

  • 对感知视频质量的大规模研究

    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