本文提出了一种无参考视频质量模型和算法，它可以为广泛采用的 HDR 视频网络提供更好的视频质量评估，在 HDR 和 SDR 内容中均表现出优异的性能。

Apr, 2023

本研究引入了一种新的特征集，称为 HDRMAX 特征，可用于视频质量评估（VQA）算法，对于 SDR 视频可能无法充分考虑的 HDR 视频的失真进行敏感化处理。 这些特征可以修改自然视频统计（NVS）模型的强先验，从而捕捉通常由现有 VQA 模型难以考虑到的视觉影响最明显最亮和最暗的局部视频部分的失真，并在 HDR 视频上取得了显著的效果提升。

Apr, 2023

本研究探索了在高动态范围（HDR）数据上训练深度学习模型进行图像质量评估（IQA）的更有效的方法，并通过添加微调和域适应将基于标准动态范围（SDR）数据的预训练模型重新定位到 HDR 数据，验证了我们的方法优于之前的基准结果，并在 HDR 输入上可靠地推广。

May, 2024

提出了一种新的高动态范围图像质量评估模型，通过逆显示模型将 HDR 图像分解成一组具有不同曝光的 LDR 图像，然后使用现有的 LDR 图像质量模型对每个曝光进行评估，并根据曝光之间的全局质量评分来获得整体质量评分。该方法在评估 LDR 图像时具有相同的性能，并在人感知优化 HDR 新视角合成方面表现出了优势。

Oct, 2023

本文介绍了第一份公开的大规模主观研究，旨在预测 HDR 视频的质量，并研究失真、压缩和模糊过程对 HDR 视频质量的影响，同时分析研究了室内环境光照对 HDR 视频感知质量的影响。研究共有 66 名受试者参与，共收集到 20,000 多个意见分数。该数据集将为研究人员开发更好的 HDR 视频感知质量模型提供有价值的资源。

Sep, 2022

对现有显示器不兼容的 HDR 视频进行色调映射处理以服务于 SDR 受限的用户，通过分析合成的 15,000 个经过主观质量注释的 HDR 视频数据库对色调映射算法的视觉质量进行评估和基准测试，为 HDR 视频的色调映射和质量评估领域带来显著进展。

Mar, 2024

将标准动态范围电视（SDRTV）内容转换为高动态范围电视（HDRTV）的任务存在严重的色域转换错误，为解决此问题，本文提出了一种新的三步解决方案 HDRTVNet++，其中包括自适应全局色彩映射、局部增强和高光细化，该方法在处理 4K 分辨率图像时具有高效、轻量级的特点。

Sep, 2023

短视频和高动态范围在视频质量研究中带来了新的问题，我们创建了规模庞大的短视频 + 高动态范围数据集，并进行了综合分析，探讨了现有的用户生成内容质量度量方法的可靠性和改进空间。

Jun, 2024

本文对观看具备不同编码和尺度的高动态范围（HDR）和标准动态范围（SDR）视频，以及在三种不同的显示设备上进行的人类感知质量判断进行了大规模研究，并开发了新型无参考视频质量模型 HDRPatchMAX。

Apr, 2023

通过分析 SDRTV / HDRTV 内容的形成，本文提出了一种三步解决方案包括自适应全局着色映射、局部增强和高光的生成，而且通过利用全局统计信息为指导的轻量网络进行图像自适应配色映射，从而将 SDR 电视内容转换为 HDR 电视版本，并构建了一个名为 HDRTV1K 的 HDR 视频数据集，选择五种度量标准来评估算法的结果，并在定量比较和视觉质量上取得了最佳表现。

Aug, 2021