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

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

开发了一种名为 Cut-FUNQUE 的新颖高效的客观视频质量模型，能够准确预测经色调映射和压缩的 HDR 视频的视觉质量，并在大规模众包数据库上展示它达到了最先进的准确性。

Apr, 2024

提出了一种基于 CIECAM16 感知属性的 TMOz 色调映射算法，利用感知亮度、丰富度和色调的色彩适应方程从 HDR 图像中导出色彩信息并自动进行亮度压缩，实现更优的色彩再现效果。客观和主观评估方法表明，该模型优于现有的 TMO 算法。

Sep, 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

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

最近几年，网络上诸如高动态范围（HDR）视频等的流媒体内容越来越受欢迎和可用。因此，评估通常经过压缩的 HDR 视频的主观质量变得越来越重要。本文针对压缩 HDR 视频的全参考质量评估这个任务，介绍了名为 FUNQUE + 的高效视频质量预测模型，其能够以更低的计算成本实现超越当前最先进方法 HDRMAX 的预测准确性。

Dec, 2023

本研究提出一种快速，无参数，可自适应不同场景的基于深度生成对抗网络（cGAN）的色调映射运算符（DeepTMO），用于在不同的低动态范围（LDR）输出设备上可视化大量高动态范围（HDR）内容，从而解决现有算子只能成功映射一定数量 HDR 内容且需要大量参数调整才能产生最佳主观质量调制输出的问题。

Aug, 2019

通过自监督对比微调方法，将有标记的标准动态范围（SDR）视频的质量感知特征转移到无标记高动态范围（HDR）视频领域，从而实现对 HDR 视频的精确质量评估，并取得了最先进的性能。

Nov, 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