CVPRApr, 2023

Zoom-VQA: 基于块、帧和片段的视频质量评估

PDF
TL;DR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。
video quality assessmentzoom-vqaspatio-temporal featurespatch attention moduleframe pyramid alignment
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

  • 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

  • CLiF-VQA：利用与人类情感相关的高级语义信息增强视频质量评估

    本论文介绍了一种新的视频质量评估方法 CLiF-VQA，该方法考虑了与人类感受相关的特征和视频的空间特征，通过利用 CLIP 与人类感受之间的一致性，设计了多个客观和主观描述，提取与人类感受相关的特征。通过一个空间特征提取模块，还捕捉了视频的低级特征，并将这两种不同特征聚合以获得视频的质量评分。广泛的实验证明，所提出的 CLiF-VQA 在多个视频质量评估数据集上表现出色。

    Nov, 2023

  • 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

  • C3DVQA：基于三维卷积神经网络的全参考视频质量评估

    本文利用 3D 卷积神经网络提取时空特征以对视频帧进行全参考视频质量评估，并在 LIVE 和 CSIQ 数据集上实验，结果表明该方法达到了最先进的性能水平。

    Oct, 2019

  • 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

  • 模块化盲视频质量评估

    通过提出一个模块化的盲视频质量评估模型，该模型结合了基本质量预测器、空间矫正器和时间矫正器，分别对视觉内容和失真、空间分辨率和帧率变化对视频质量的影响进行评估，实验证明该模型在视频数据库上取得了优秀的性能，并能够成本效益地添加其他与质量相关的视频属性。

    Feb, 2024

  • 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

  • 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

  • FAST-VQA: 基于片段采样的高效端到端视频质量评估

    提出了一种新的质量保留采样方案 Grid Mini-patch Sampling (GMS)，并使用 Fragment Attention Network (FANet) 和新提出的 FrAgment Sample Transformer for VQA (FAST-VQA) 实现了高效的端到端深度视频质量评估。

    Jul, 2022