最近，“用户生成内容 (UGC) 视频” 在我们的日常生活中变得越来越受欢迎。然而，由于摄影设备和技术的限制，UGC 视频经常遭受曝光不足的问题。因此，提出了一些视频曝光校正 (VEC) 算法，包括低光视频增强 (LLVE) 和过曝视频恢复 (OEVR)。和 VEC 一样重要的是视频质量评估 (VQA)。不幸的是，几乎所有现有的 VQA 模型都是以一种综合的角度来衡量视频质量。为此，我们提出了基于 LLVE-QA 训练的 Light-VQA，用于评估 LLVE。我们通过将 LLVE-QA 数据集扩展为视频曝光校正质量评估 (VEC-QA) 数据集以及过曝视频和其对应校正版本，扩展了 Light-VQA 的工作。此外，我们提出了 Light-VQA+，一种专门用于评估 VEC 的 VQA 模型。Light-VQA + 与 Light-VQA 的主要区别在于使用了 CLIP 模型和在特征提取期间的视觉 - 语言引导，然后通过引入人类视觉系统 (HVS) 的新模块进行更准确的评估。广泛的实验证明，我们的模型在 VEC-QA 数据集和其他公共数据集上的性能优于当前现有的 VQA 模型。

May, 2024

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

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

本文构建了一个包含三个子数据集的 Perceptual Video Enhancement 数据集，共计 1211 个视频，邀请 21 个受试者对其进行了主观品质评估，并将数据集划分为训练集、验证集和测试集，以验证几种流行的视频质量评估方法在测试集上的表现。

Mar, 2023

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

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

本文提出了一个包含低光图像增强算法分类、数据集、web 平台等多个方面的综述以及一个包含各种拍摄设备下的低光图像数据、在线评估多个流行算法的数据集和平台，并对各种算法在公开及自有数据集上进行了定性和定量评估。本平台，数据集以及评估指标都是公开的并被定期更新。

Apr, 2021

提出了一种名为 FastLLVE 的高效管道，利用查找表（LUT）技术有效地保持帧间亮度一致性，从而实现低延迟和低复杂度的低光场景视频增强操作。

Aug, 2023

通过引入创新的基于 Retinex 的视频分解策略，结合动态相邻帧的相关性和场景级连续性约束，以及双结构增强网络的交互机制，该研究实现了在低光环境下视频的增强和一致分解，超越了现有的方法，达到了最新的性能水平。

May, 2024

通过设计简约的 BVQA 模型，我们对 VQA 数据集进行计算分析，发现几乎所有数据集都存在易的数据集问题，并对基本构建模块的选择进行研究，对当前 BVQA 进展表示疑虑，并为构建下一代 VQA 数据集和模型提供了指导。

Jul, 2023