流媒体游戏视频的主观和客观分析
为了便于对 UGC 视频质量进行评估，我们创建了一个 UGC 视频质量评估数据库，其中包含 50 个源视频以及由不同量化级别和编码标准压缩生成的多个失真版本。我们进行了主观质量评估，并对数据库进行了基准测试，观察到未来改进 UGC 视频质量测量方法的潜在空间。
Aug, 2019
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
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
本文通过构建一个首个主观 UGC 直播视频质量数据库并开发一个有效的评估工具来解决 UGC Live VQA 问题，并基于所构建的数据库开发了一个多维 VQA 评估器以从语义、失真和动态方面衡量 UGC 直播视频的视觉质量。实验结果表明，MD-VQA 在我们的 UGC Live VQA 数据库和现有压缩 UGC VQA 数据库上均实现了最先进的性能。
Mar, 2023
研究使用众包平台收集用户主观评价数据，分析视频质量评估的各种维度，并调查全视频 MOS 及相应块的 MOS 之间的相关性，以及品质评分聚合中块变化的影响。
Feb, 2020
我们通过对来自印度社交媒体平台 ShareChat 的一组移动源视频进行大规模主观研究，评估用户生成的移动视频内容的知觉质量，为视频质量研究提供文化、视觉和语言的多样化资源。
Jan, 2024
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
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
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
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