Sep, 2023

基于机器学习的视频编解码器的全参考视频质量评估

PDF
TL;DR机器学习视频编解码器领域的研究论文，提出了一种新的全参考视频质量评估模型和数据集，证明现有评估指标对于机器学习视频编解码器并不高度相关，并开源数据集和评估模型以促进该领域的研究。
machine learning-based video codecsevaluation metricvideo artifactsfull reference video quality assessmentml video codecs
发现论文，激发创造
  • 面部视频压缩的感知质量评估：基准和有效方法

    本文介绍了大规模压缩人脸视频质量评估数据库的构建和性能评估，该数据库被认为是系统地理解人脸视频中感知质量和多样化压缩畸变的第一次尝试，同时还开发了 FAVOR 指数来度量人脸视频的感知质量。

    Apr, 2023

  • 超分辨率压缩视频质量评估：基准和质量度量

    本研究开发了一个基于不同压缩标准的视频数据集，用于评估 17 种最先进的超分辨率模型的性能，并通过众包对比得出了适用于压缩视频放大的客观质量评估指标。

    May, 2023

  • KonVid-150k: 野外视频无参考质量评估数据集

    我们介绍了一个新的数据集 KonVid-150k，提出了一种新的高效的 VQA 方法（MLSP-VQA），与现有的深度学习方法和基于手工特征的方法相比，它在标准性能指标方面表现得最好，能够应对不同级别的标签噪声和数据集大小，并在跨数据集上设置了新的准确度记录。

    Dec, 2019

  • 从噪声测量中恢复主观质量评分

    本研究提出了一种基于最大似然估计的新方法，可以从嘈杂的原始测量中恢复主观质量分数，并联合估计受损视频的主观质量，测试对象的偏差和一致性以及视频内容的歧义性，同时提供了每个估计的置信区间的封闭形式表达式。相对于先前方法，我们的方法能够充分利用主观信息，处理不良数据并提供有关测试对象和视频内容的有趣见解。

    Nov, 2016

  • 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

  • ELF-VC: 高效学习的可灵活调节码率视频编码

    通过提出几种新颖的方法，如专门用于机器学习的高效骨干网络和基于优化的流预测方案，我们的方法 ELF-VC 在视频压缩的低延迟模式下（只有 I 帧和 P 帧）具有更高的性能和更好的效率，与主流视频标准（如 H.264 、 H.265 、 AV1）和所有机器学习编解码器相比，在比特率范围内具有很好的 PSNR 、 MS-SSIM 、 VMAF 等指标，而且至少比所有机器学习编解码器都快 5 倍，并有更少的参数。

    Apr, 2021

  • 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

  • 学习型视频压缩

    我们提出了一种 ML-based 的视频编码算法，通过评估不同分辨率和基于商业编解码器的标准视频压缩测试集发现，在低延迟模式下相对于 HEVC/H.265, AVC/H.264 和 VP9，我们的算法通常产生更小的代码。并且，我们的方法不会出现图块失真和像素化，可以产生更加视觉上令人愉悦的视频。

    Nov, 2018

  • 基于支持向量回归的完整参考点云质量评估

    该研究提出了一种基于支持向量回归的准确的全参考点云质量评估方法，通过整合五种基于全参考的度量标准，并使用支持向量回归进行快速预测，实现了对压缩失真、高斯噪声和降采样等多种降级类型的准确评估，其性能优于传统的全参考点云质量评估方法，并且比使用复杂特征（如曲率和多尺度特征）的最新方法更快速和精确。

    Jun, 2024

  • 学习视频压缩的预测和参考质量适应

    该研究提出了基于置信度的预测质量适应模块以及参考质量适应模块，以提高视频编码的预测和参考质量适应能力，并减少重构错误的传播。实验结果表明，在 RGB 和 YUV420 颜色空间中，我们的编码器比 H.266/VVC 参考软件和以前最先进的学习视频编码器获得更高的压缩性能。

    Jun, 2024