- 视频质量评估模型的比特深度鲁棒性提升
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 - 面部视频压缩的感知质量评估：基准和有效方法
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。
- CVPRZoom-VQA: 基于块、帧和片段的视频质量评估
本论文提出一种名为 Zoom-VQA 的视频质量评估体系架构，将视频分为三个层次并整合了三个组件（patch attention module、frame pyramid alignment 和 clip ensemble strategy - VDPVE：用于感知视频增强的 VQA 数据集
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 - 邻域代表采样用于高效的端到端视频质量评估
本文提出了一种有效的质量敏感邻域代表方案，即基于时空网格小立方体采样（St-GMS），以及针对片段的神经网络结构 Fragment Attention Network（FANet），结合起来提出的高效端到端的 FAST-VQA 和 Fast - MM基于深度学习的 UGC 视频无参考质量评估模型
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。
- FAVER：可变帧率视频盲质量预测
该论文提出一种适用于高帧率视频的新型盲视频质量评估模型 FAVER，该模型使用了空时小波分解和空间自然场景统计等技术，针对帧率变化进行快速预测，并在多个数据集上进行了测试验证，性能得到了明显提升。
- ChipQA: 通过时空芯片实现无参考视频质量预测
本研究提出了一种新的无参考视频质量评估模型，使用高度本地化的时空切片来隐式地捕捉运动，并使用符合人类感知的带通滤波和规范化模型对视频数据进行处理，然后基于这些时空切片来预测视频的质量，无需参考视频，并在多个大型 VQA 数据库上进行了测试， - 混合数据集下野外视频的统一质量评估培训
在计算机视觉中，我们提出了一种用于自动评估野外采集视频质量的混合数据集训练策略，并探索了人类视觉系统的内容依赖性和时间记忆效应。实验结果表明，该模型在相对质量、感知质量和主观质量预测方面具有卓越性能，与现有最先进的模型相比，提高了 VQA - ST-GREED：基于时空广义熵差的帧率相关视频质量预测
该论文研究了视频帧率对感知质量评估的影响，提出了基于统计的 VQA 模型 GREED，并在多个数据集上进行了测试，表现出优越的性能。
- UGC-VQA：用户生成内容盲视频质量评估基准
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。
- 利用预先存在的失真预测压缩视频的质量
本研究旨在通过开发一种新的视频质量评估框架 1stepVQA，通过利用自然视频和混合失真视频的统计规律，更准确地预测压缩后视频的质量，并采用一种新的视频数据库，其中包括 (通常是失真的) UGC 视频参考和大量压缩版本的视频。
- 盲目视频质量评估中时间池化方法的比较评估
本文研究多目标视频质量评估 (VQA) 算法中的时间池化方法，通过对多个时间池化策略的比较评估，提出了时间池化模型的应用和选择的一般指导，提出了一个优化的组合时间池化模型，并在多个 VQA 算法上使用两个自然视频质量数据库进行了评估。同时， - KonVid-150k: 野外视频无参考质量评估数据集
我们介绍了一个新的数据集 KonVid-150k，提出了一种新的高效的 VQA 方法（MLSP-VQA），与现有的深度学习方法和基于手工特征的方法相比，它在标准性能指标方面表现得最好，能够应对不同级别的标签噪声和数据集大小，并在跨数据集上设 - C3DVQA：基于三维卷积神经网络的全参考视频质量评估
本文利用 3D 卷积神经网络提取时空特征以对视频帧进行全参考视频质量评估，并在 LIVE 和 CSIQ 数据集上实验，结果表明该方法达到了最先进的性能水平。
- MM卷积神经网络用于视频质量评估
本文介绍一种基于深度学习框架的视频质量评估方法，综合考虑了压缩失真和传输延迟，通过端到端特征学习，可提高视频内容传输机制 VQA 的准确性。