Nov, 2020

Patch-VQ: 解决视频质量问题

PDF
TL;DR该研究着重探讨了无参考视觉质量评估（NR VQA）问题，研究创建了包含 39,000 个失真视频和 117,000 个空时定位视频片段的最大人类感知质量评价数据库，以及两种独特的 NR-VQA 模型，并实现了在不同 UGC 数据集上的最先进性能，具有非常好的实践应用前景。
no-referenceperceptual video quality assessmentuser-generated contentsubjective video quality datasetspace-time video quality mapping
发现论文，激发创造
  • 从图块到图片（PaQ-2-PiQ）：绘制图片质量的感知空间

    本研究介绍了迄今为止最大的主观图像质量数据库，并使用这个数据库建造了深度基于区域的体系结构来预测图像的质量，包括全局和局部预测。

    Dec, 2019

  • 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

  • Zoom-VQA: 基于块、帧和片段的视频质量评估

    本论文提出一种名为 Zoom-VQA 的视频质量评估体系架构，将视频分为三个层次并整合了三个组件（patch attention module、frame pyramid alignment 和 clip ensemble strategy），以从不同层次感知时空特征。该方法在四个 VQA 基准测试中达到了最先进的结果，并在 LSVQ 的两个子集上优于以前的最佳结果。

    Apr, 2023

  • 视频质量评估模型的漏洞：对抗性攻击的挑战

    通过黑盒攻击评估非参考视频质量评估模型的鲁棒性。

    Sep, 2023

  • 捕捉用户生成内容中共存的失真以进行无引用视频质量评估

    视频质量评估的挑战在于解决用户生成内容视频中存在的严重失真导致整体视觉质量下降的问题，提出了 Visual Quality Transformer (VQT) 方法，并通过实验证明了其优于其他方法的性能。

    Jul, 2023

  • 移动云游戏视频质量预测

    该文研究了移动云游戏中针对没有参考视频的视频质量评估模型（No-Reference Video Quality Assessment model，NR VQA）的问题，并提出了一种新的 NR VQA 模型，使用支持向量回归（SVR）对其进行训练，取得了优异的性能（LIVE-Meta MCG 视频数据库）。

    May, 2023

  • 卷积神经网络用于视频质量评估

    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

  • 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

  • 探索视频感知表征在盲视频质量评估中的有效性

    通过提取 HVS 的视频感知表示，并通过测量其在感知领域中的表示方式的直线程度和紧凑性来量化视频的自然度和内容连续性，我们提出了一种评估视频临时失真的 TPQI 指标，并证明它对任何数据集都有可申请性，即使在评估具有大的时间变化的视频时也有适用性，TPQI 可以实现与空间质量度量相当的性能甚至更加有效的评估。

    Jul, 2022

  • SB-VQA: 基于堆栈的视频质量评估框架用于视频增强

    我们提出了一种基于堆栈的视频质量评估 (VQA) 框架，可以更准确地基于人类主观感知预测增强视频的视频质量，并考虑了视频语义理解等因素，进而在 YouTube 视频等多种应用场景中得到了广泛应用。

    May, 2023