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

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

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

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

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

该论文介绍了一个大规模的 UGC 数据集，讨论了在此场景下的压缩和质量评估的挑战并针对 UGC 的缺陷提出了无参考客观质量指标来评估 UGC 质量，通过三种这样的指标 (噪音、细节和颜色斑点，以及感知失真预估) 评估了所提供的 UGC 数据集。

Apr, 2019

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

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

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