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

该论文报告了 NTIRE 2024 年 AI 生成内容质量评估挑战，该挑战受到了图像和视频处理领域中的一个主要挑战的关注，即 AI 生成内容的图像质量评估和视频质量评估。

Apr, 2024

通过建立大规模的 Kaleidoscope 短视频数据库来解决 UGC 视频质量评估中的挑战，并提出了第一个短视频质量评估器 KSVQE，该评估器利用大规模视觉语言模型（如 CLIP）来理解视频内容并使用扭曲理解模块来区分扭曲，实验证明了 KSVQE 在 KVQ 数据库和热门 VQA 数据库中的有效性。

Feb, 2024

本文报告了 NTIRE 2023 视频增强质量评估挑战，该挑战将与 CVPR 2023 的新趋势图像恢复和增强研讨会一同举行。该挑战旨在解决视频处理领域中的一个主要问题，即增强视频的视频质量评估（VQA）。该挑战使用了感知视频增强（VDPVE）数据集，其中包含 1211 个增强视频，其中包括 600 个颜色、亮度和对比度增强的视频，310 个去模糊的视频和 301 个去抖动的视频。挑战共有 167 个注册参与者，其中 61 个参与团队在开发阶段提交了 3168 份预测结果，37 个参与团队在最终测试阶段提交了 176 份预测结果，最终有 19 个参与团队提交了模型和详细方法说明。一些方法取得了比基准方法更好的结果，获胜方法表现出卓越的预测性能。

Jul, 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

本文回顾了第一届 NTIRE 挑战赛，重点介绍了所提出的方法和结果，目标是通过改进压缩视频的忠实度和感知质量来提高视频质量。

Apr, 2021

本研究通过自我监督的时空视觉质量表示学习 (ST-VQRL) 框架生成稳健的质量感知特征来解决用户生成内容 (UGC) 视频的感知质量评估问题，并通过双模型的半监督学习方法 (SSL-VQA) 在有限的人工注释视频的情况下，通过两个模型之间的质量预测知识传递，提高了在各种视频质量评估数据集上的性能表现。

Dec, 2023

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

本文介绍了一种新型的视频增强数据集，并研究了 NTIRE 2021 挑战赛上关于压缩视频画质增强的最新方法。通过大规模多样化视频数据集（LDV）的应用，我们发现该挑战赛推进了压缩视频画质增强领域的最新技术进展。

Apr, 2021