Jan, 2021

RAPIQUE：快速准确预测用户生成内容视觉质量

PDF
TL;DR本文提出了一个有效且高效的 UGC 视频质量评估模型 RAPIQUE，使用空间和时间统计特征与深度卷积特征相结合，成功设计了第一个通用有效的视频质量模型，用于实际应用。RAPIQUE 模型运行速度非常快，此文中的实验结果表明，RAPIQUE 模型比现有的模型在所有数据集上表现的更好，运行时间更短。
发现论文，激发创造
  • 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

  • UGC-VQA：用户生成内容盲视频质量评估基准

    通过在视频质量评估领域进行广泛的评估，该论文提出了一种新的基于融合的视频质量评估模型 VIDEVAL，有效平衡了 VQA 性能和效率，并在考虑了更少的统计特征（即 60 个统计特征）的情况下取得了最先进的性能。

    May, 2020

  • AIS 2024 用户生成内容视频质量评估挑战：方法与结果

    该论文综述了 AIS 2024 视频质量评估（VQA）挑战，着重于用户生成内容（UGC）。该挑战旨在收集能够估计 UGC 视频感知质量的基于深度学习的方法。挑战中的用户生成视频来自 YouTube UGC 数据集，包括多样的内容（体育、游戏、歌词、动漫等）、质量和分辨率。提出的方法必须在 1 秒内处理 30 个 FHD 帧。在挑战中，共有 102 位参与者注册，其中 15 人提交了代码和模型。本文回顾了前 5 个提交的性能，并提供了对用户生成内容高效视频质量评估的各种深度模型的调查。

    Apr, 2024

  • 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

  • 利用预先存在的失真预测压缩视频的质量

    本研究旨在通过开发一种新的视频质量评估框架 1stepVQA，通过利用自然视频和混合失真视频的统计规律，更准确地预测压缩后视频的质量，并采用一种新的视频数据库，其中包括 (通常是失真的) UGC 视频参考和大量压缩版本的视频。

    Apr, 2020

  • Patch-VQ: 解决视频质量问题

    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。

    Nov, 2020

  • 用于视频压缩研究的 YouTube UGC 数据集

    该论文介绍了一个大规模的 UGC 数据集，讨论了在此场景下的压缩和质量评估的挑战并针对 UGC 的缺陷提出了无参考客观质量指标来评估 UGC 质量，通过三种这样的指标 (噪音、细节和颜色斑点，以及感知失真预估) 评估了所提供的 UGC 数据集。

    Apr, 2019

  • 利用丰富的质量感知特征增强盲视频质量评估

    本文提出了一种简单但有效的方法来增强社交媒体视频的盲视频质量评估（BVQA）模型。通过利用来自预训练盲图像质量评估（BIQA）和 BVQA 模型的丰富质量感知特征作为辅助特征，帮助 BVQA 模型处理社交媒体视频的复杂失真和多样内容。

    May, 2024

  • 面向野外视频质量评估的鲁棒性文本提示语义标准

    提出了一种基于文本的语义相关质量评价方法 (SAQI) 及其本地化版本 (SAQI-Local)。通过与现有低级指标结合，提出了统一盲视频质量指数 (BVQI) 及其改进版 (BVQI-Local)，并通过有效的微调方案，实现了优于普遍基于人类意见的 VQA 方法的性能和卓越的泛化能力。

    Apr, 2023

  • 采用对比学习的图像质量评估

    本文提出了一种名为 CONTRIQUE 的训练框架和深度 IQA 模型，使用自监督学习的方法从标有多种不同程度和类型扭曲度的无标签图像数据集中学习特征，通过冻结 CNN 权重和使用线性回归器将学习到的表示映射到质量得分，获得了很强的性能表现。该深度学习模型的训练无需大量标记数据。

    Oct, 2021