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

本文综述了传统图像信号和新兴信号（包括高动态范围（HDR）和 3-D 图像）的质量评估方法，提供了主观和客观图像质量评估的分类和综述，并评估了 9 种常用的质量评估指标在四个主观质量数据集上的表现和计算时间。本文还简要介绍了 3-D 图像质量评估，并综述了与该领域相关的问题。

Jun, 2014

通过提取 HVS 的视频感知表示，并通过测量其在感知领域中的表示方式的直线程度和紧凑性来量化视频的自然度和内容连续性，我们提出了一种评估视频临时失真的 TPQI 指标，并证明它对任何数据集都有可申请性，即使在评估具有大的时间变化的视频时也有适用性，TPQI 可以实现与空间质量度量相当的性能甚至更加有效的评估。

Jul, 2022

为了推进无参考视频质量预测，我们构建了一个大规模的视频质量评估数据库，其中包含由大量用户捕捉的独特内容的 585 个视频，具有各种复杂，真实扭曲的级别。我们通过众包收集了大量的主观视频质量分数，总共有 4776 个独特的参与者参加了本次研究，产生了超过 205000 条意见分数，每个视频平均记录了 240 个人的意见。我们称之为 LIVE-VQC 的新资源的价值是通过在其中进行领先的 NR 视频质量预测器的比较来证明的；这是有史以来在内容数量、捕获设备、畸变类型与畸变组合、研究参与者和记录的主观分数等多个关键维度上进行的最大的视频质量评估研究。

Mar, 2018

本文的研究旨在理解 UGC 游戏视频的感知特征，采用主观人类研究和客观评估方法评价零星的 UGC 游戏视频，评估了包括基于自然视频统计和 CNN 学习特征的 GAME-VQP 模型在内的多个最新 VQA 模型，为游戏视频的 VQA 模型开发提供帮助。

Mar, 2022

该研究报告介绍了其通过收集、众包等方式，针对多模态的、实时的远程会议内容，创建了一个首个在线视频质量预测框架，并采用分开的视觉和音频质量预测计算途径，能在修补、帧、片段和视听层面上提供准确的质量预测，在现有品质数据库及其新 TVQA 数据库上取得了最先进的性能，并以较低的计算成本成为移动和嵌入式系统的有吸引力的解决方案。

Jul, 2022

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

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

本文旨在通过一项有关画质评估的研究，建立大规模的虚拟现实（VR）主观质量数据库，以发展 VR 品质模型和基准测试 VR 品质预测算法。研究中，使用 450 张受损的图像进行了调查，并记录了主观评分和眼动数据，支持了注视方向与品质感知之间的关系。文章还对几个公开可用的 IQA 模型进行了评估，并对比了它们的性能。

Oct, 2019

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