Subjective Quality Assessment of Dynamic 3D Meshes in Virtual Reality Environment
Faculty of Engineering, Tohoku Institute of Technology（东北工业大学工学院）；School of Electrical and Electronic Engineering, Hanoi University of Science and Technology（河内科技大学电气与电子工程学院）
本文通过主观评估研究动态3D网格在VR中的质量影响因素，提出基于视距的细节层次调整方法，开发了预测QoE的模型并提出资源分配框架，提升用户体验。
2026-03-31 cs.MM
Subjective Quality Assessment for YouTube UGC Dataset
由于社交视频分享的规模，用户生成内容（UGC）越来越受到学术界和工业界的关注。为了促进UGC压缩相关的研究，YouTube发布了一个大规模的数据集。最初的数据集只提供视频，限制了其在质量评估中的使用。我们使用了一个众包平台来收集这个数据集的主观质量分数。本文分析了视频质量评价中各维度的平均意见得分（MOS）分布，并探讨了视频质量评价中的一些基本问题，如完整视频MOS与相应组块MOS之间的相关性，以及组块变化对质量得分聚合的影响。
2020-02-27 cs.MM eess.IV
A JND-based Video Quality Assessment Model and Its Application
基于JND准则，最近构建了一个主观视频质量评估数据集，称为VideoSet。在这项工作中，我们提出了一个基于JND的VQA模型，使用概率框架来分析和清理收集到的主观测试数据。虽然大多数传统的VQA模型侧重于内容的可变性，我们提出的VQA模型同时考虑到主题和内容的可变性。通过求解最大似然估计（MLE）问题来联合优化用于描述主题和内容可变性的模型参数。作为一个应用，新的主观VQA模型被用来过滤不可靠的视频质量分数收集在VideoSet。最后通过实验验证了该模型的有效性。
2018-07-02 cs.MM
Impact of the Number of Votes on the Reliability and Validity of Subjective Speech Quality Assessment in the Crowdsourcing Approach
传统上，根据ITU-T Rec.P.800，在受控的实验室环境中评估传输语音的主观质量。反过来，通过众包，众包工作者使用他们自己的收听设备，在他们自己的工作环境中参与主观的在线实验。尽管存在这些不太可控的条件，但越来越多地使用众包微任务平台进行质量评估任务，推动了对标准化方法的高需求，从而产生了ITU-T Rec.P.808。这项工作调查的可靠性和有效性的质量评级收集通过众包语音质量评估，作为ITU-T建议P.808的输入判断的数量的影响。在不同的平台上进行了三个众包实验，以评估三个不同的语音数据集的整体质量，使用绝对类别评级程序。对于每个数据集，平均意见得分（MOS）是使用不同数量的众包判断计算的。然后将结果与标准实验室实验中收集的MOS值进行比较，以评估众包方法作为投票数的函数的有效性。此外，平均分数的可靠性进行了分析，通过检查评分员之间的可靠性，在确定性的增益，和MOS的信心。结果提供了一个建议，每个条件所需的票数，并允许模拟其有效性和可靠性的影响。
2020-03-25 cs.MM
Comparative Study of Subjective Video Quality Assessment Test Methods in Crowdsourcing for Varied Use Cases
Microsoft Corporation（微软公司）
该研究对比众包主观视频质量评估中的ACR、ACR-HR和CCR三种方法，通过6项符合P.910的研究分析其统计效率、经济效率及决策一致性，为不同场景下方法选择提供实用指南。
2025-09-24 cs.MM
Codec Compression Efficiency Evaluation of MPEG-5 part 2 (LCEVC) using Objective and Subjective Quality Assessment
随着诸如HEVC、AV 1和VVC等较新的编解码器实现的视频压缩效率的不断提高，以及智能编码策略，以及带宽可用性的提高，诸如Netflix、Twitch等较新的服务已经得到了扩散和接受。然而，这种更高的压缩效率是以更高的复杂度和编码延迟为代价来实现的，而许多应用是延迟敏感的。因此，需要更快、更有效的编解码器来实现更高的编码效率，而在复杂度和速度方面没有显著的折衷。在这项工作中，我们提出了最新的MPEG-5第2部分低复杂度增强视频编码（LCEVC）的实时游戏视频流应用的评估。结果提出的比特率节省使用主观和客观的质量措施，以及编码速度的比较。我们的结果表明，对于本工作中使用的编码设置，LCEVC在使用VMAF的比特率节省方面优于x264和x265编解码器，分别约为42%和38%。使用主观结果，发现LCEVC优于相应的基本编解码器，特别是对于低比特率。这种效果对于x264比对于x265更明显，即，对于后者，质量分数的绝对改善较小。客观和主观结果以及示例视频序列作为开放数据集LCEVC-LiveGaming的一部分在https://github.com/NabajeetBarman/LCEVC-LiveGaming上提供。
2022-04-12 cs.MM
Predictive Sampling for Efficient Pairwise Subjective Image Quality Assessment
本文提出PS-PC预测采样方法，利用机器学习预测并选择信息量最大的成对比较，减少主观图像质量评估中的比较次数，实验证明其性能优于现有采样算法。
2023-11-07 cs.MM
Visual Comfort Assessment for Stereoscopic Image Retargeting
近年来，3D/立体内容的视觉舒适性评价（VCA）引起了广泛的关注。然而，很少有工作已经做了立体图像重定向的感知评价。本文首先建立了一个立体图像重定向数据库（SIRD），其中包含了源图像和由四种典型的立体重定向方法产生的重定向图像。然后，从视觉舒适度、图像质量、深度质量和整体质量四个方面对视觉失真进行了主观评价。此外，我们提出了一个视觉舒适度评估指标立体图像重定向（VCA-SIR）。该模型根据立体重定向图像的特点，引入视差范围、边界视差和视差强度分布等新的特征作为评价模型。实验结果表明，VCA-SIR算法能够实现与主观感知的高度一致性。
2018-05-15 cs.MM
Subjective and Objective Quality Assessment of Image: A Survey
Ferdowsi University of Mashhad（菲尔多西大学）；McMaster University（麦克马斯特大学）
随着对基于图像的应用的需求的增加，对图像质量的有效和可靠的评估变得越来越重要。测量图像质量对于许多图像处理应用来说至关重要，其中图像质量评估（IQA）方法的目标是自动评估图像质量以符合人类质量判断。在过去的几年里，已经提出了许多IQA方法来实现这一目标。在本文中，传统的图像信号的质量评估方法，以及新出现的，其中包括高动态范围（HDR）和3-D图像的调查。全面解释了主观和客观IQA及其分类。六个广泛使用的主观质量数据集，和性能指标进行审查。重点介绍了全参考图像质量评价（FR-IQA）方法，以及9种常用的图像质量评价指标（包括均方误差（MSE）、结构相似性指数（SSIM）、多尺度结构相似性指数（MS-SSIM）、视觉信息保真度（VIF）、最明显失真（MAD）、特征相似性度量（FSIM）、彩色图像特征相似性度量（FSIMC）、动态范围独立测度（DRIM）和色调映射图像质量指数（TMQI）），并对它们在四种主观质量数据集上的性能和计算时间进行了评估。此外，简要介绍了3-D IQA和相关的问题，这方面的研究进行了审查。
2014-06-30 cs.CV cs.MM
CLIP-PCQA: Exploring Subjective-Aligned Vision-Language Modeling for Point Cloud Quality Assessment
Cooperative Medianet Innovation Center, Shanghai Jiao Tong University（合作 medianet 创新中心，上海交通大学）
针对现有无参考点云质量评估方法直接映射得分不符合主观评估机制的问题，提出CLIP-PCQA方法，通过检索式映射、对比损失与可学习提示，以意见得分分布为目标实现更优的主观对齐评估效果。
2025-01-17 cs.CV cs.MM
User-generated Video Quality Assessment: A Subjective and Objective Study
最近，我们观察到用户生成内容（UGC）视频呈指数级增长。UGC视频的独特性源于视频制作和交付链，因为它们通常由非专业用户获取和处理，然后上传到托管平台进行分享。因此，这些视频通常在最终被观看之前经历可能影响视觉质量的多个失真阶段。受视频编码和处理的优化应完全由感知质量驱动的共识的启发，本文提出从客观和主观两个角度研究UGC视频的质量。我们首先建立了一个UGC视频质量评估（VQA）数据库，旨在为托管平台中的UGC视频编码和处理提供有用的指导。该数据库包含上传到平台的源UGC视频及其最终由最终用户欣赏的转码版本，以及他们的主观评分。此外，我们开发了一个客观的质量评估算法，自动评估质量的转码视频的基础上损坏的参考，这是根据UGC视频共享在托管平台的应用场景。来自损坏的参考的信息被很好地利用，并且质量基于利用深度神经网络（DNN）推断的质量图来预测。实验结果表明，该方法具有优越的性能。对UGC视频的主观和客观评价也为感知UGC视频编码的设计提供了启示。
2020-05-18 cs.MM eess.IV
Cuid: A new study of perceived image quality and its subjective assessment
Gustave Eiffel University（古斯塔夫·埃菲尔大学）；Cardiff University（卡迪夫大学）；Xi'an Jiaotong University（西安交通大学）；Zhongkai University of Agriculture and Engineering（仲恺农业工程学院）；University of Bath（巴斯大学）；Xidian University（西安电子科技大学）
图像质量评价（IQA）的研究仍然是有限的，主要是由于我们对人类视觉感知的不完整的知识。现有的IQA算法已经被设计或训练为具有小程度的刺激可变性的不充分的主观数据。这导致这些算法在处理现实世界数字内容的复杂性和多样性方面面临挑战。来自人类受试者的感知证据是高级IQA算法开发的基础。因此，至关重要的是获得可靠的主观数据与控制感知实验，忠实地反映人类行为的视觉信号失真的反应。在本文中，我们提出了一个新的研究图像质量感知的主观评级收集在一个受控的实验室环境。我们调查如何质量感知的影响，不同类别的图像和不同类型和水平的失真的组合。该数据库将向公众开放，以促进IQA算法的校准和验证。
2020-09-28 cs.CV cs.MM eess.IV
GScomp-QA: A Subjective Dataset for Quality Assessment of Compressed Gaussian Splatting
Instituto de Telecomunicações, Instituto Superior Técnico, University of Lisbon（电信研究所，高等技术学院，里斯本大学）
针对高斯泼溅压缩缺乏评估数据集的问题，构建了包含331个视频刺激的主观质量评估数据集GScomp-QA，并通过率失真分析和18种客观指标评估现有压缩方案。
2026-09-21 cs.MM eess.IV
Quality Assessment of Low Light Restored Images: A Subjective Study and an Unsupervised Model
Indian Institute of Science（印度科学学院）
微光图像恢复质量评估是微光图像恢复算法的基准测试和改进的重要工具。虽然存在几种LLR算法，但对恢复图像的主观感知的研究要少得多。在捕获对准的低光和良好照明的图像对以及收集大量的人的质量意见分数用于训练方面的挑战，保证了无监督（或意见不知道）的无参考（NR）QA方法的设计。本文研究了弱光恢复图像的主观感知及其无监督NR QA。我们的贡献是双重的。我们首先使用各种LLR方法创建恢复的低光图像的数据集，进行主观QA研究，并对现有QA方法的性能进行基准测试。然后，我们提出了一种自监督的对比学习技术，从恢复的低光图像中提取失真感知功能。我们表明，这些功能可以有效地用于建立一个意见不知情的图像质量分析器。详细的实验表明，我们的无监督NR QA模型实现了所有这些低光恢复图像的质量措施之间的最先进的性能。
2022-02-04 cs.CV cs.MM eess.IV
Subjective assessment of the impact of a content adaptive optimiser for compressing 4K HDR content with AV1
本文通过42名受试者的主观质量评估，研究内容自适应优化器对4K HDR/AV1压缩的影响，分析主观评分与客观指标的相关性，并就HDR研究中专家与非专家的使用及胶片颗粒的主观影响提出建议。
2023-06-26 cs.HC cs.MM eess.IV
Video Quality Assessment for Resolution Cross-Over in Live Sports
针对自适应流媒体中分辨率交叉切换预测不准确的问题，提出新指标RCQL衡量质量损失，并构建直播场景数据集LSCO，证明成对比较方法优于ACR。
2025-04-01 cs.MM
Study of Subjective and Objective Quality Assessment of Mobile Cloud Gaming Videos
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Meta Platforms Inc.（元平台公司）
针对移动云游戏视频质量评估数据集匮乏的问题，构建了含600个游戏视频与14400条主观评分的LIVE-Meta-MCG数据库，并在其上完成了主流VQA算法的基准测试。
2023-05-26 cs.CV cs.MM
Exploring Rich Subjective Quality Information for Image Quality Assessment in the Wild
Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所）；Peng Cheng Laboratory (PCL)（鹏城实验室）；The Hong Kong Polytechnic University（香港理工大学）
本文提出 RichIQA，通过三阶段 CvT 网络与融合 MOS、SOS、DOS 的多标签训练，预测图像质量分布并提升野外 IQA 性能。
2024-09-09 cs.CV cs.MM
Towards Standardized Light Field Quality Assessment: Hybrid Subjective Benchmarking and Objective Metric Evaluation
Electronics and Telecommunications Research Institute（电子和电信研究所）；Dept. of Electronics and Informatics, Vrije Universiteit Brussel（布鲁塞尔自由大学电子与信息系）；IMEC（imec公司）；Department of Computer Science, Texas State University（德克萨斯州立大学计算机科学系）；Embedded Computing Lab., Dept. of Computer Science and Statistics, Federal University of Santa Catarina（圣卡塔琳娜联邦大学计算机科学与统计系嵌入式计算实验室）；Licks Attorneys（利克斯律师事务所）；Federal University of Rio de Janeiro (UFRJ)（里约热内卢联邦大学）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（东理工大学宁波数字孪生研究院）；Instituto Militar de Engenharia-IME, PGEE/PGED（军事工程学院-IME，PGEE/PGED）
本文提出光场质量评估标准化工作流程，用于JPEG Pleno标准化活动。设计涵盖多种失真的基准，采用混合主观方法及客观指标分析，验证主观评分可靠性，评估指标性能，指出关键局限并提供框架。
2026-07-07 cs.CV cs.MM eess.IV
Subjective evaluation of UHD video coded using VVC with LCEVC and ML-VVC
School of Computing, Engineering and Physical Sciences（计算、工程与物理科学学院）
本文通过主观评估比较了使用VVC与LCEVC和ML-VVC编码的UHD视频质量，分析了不同比特率操作点下的感知质量差异。
2026-01-15 cs.CV cs.MM
NeRF-QA: Neural Radiance Fields Quality Assessment Database
本研究提出NeRF-QA数据库，包含7种NeRF方法合成的48段真实与合成360度场景视频及主观质量分数，可用于评估现有客观质量指标对NeRF合成视图的适用性并开发专用新指标。
2025-06-16 cs.MM
Model and Performance of a No-Reference Quality Assessment Metric for Video Streaming
通过TCP网络的视频流已经成为一种流行的和高要求的服务，但其质量评估在客观和主观方面还没有得到适当的解决。本文基于统计分析，提出了一种用于视频质量评价的无参考客观度量--灰度强度的完整分析模型。该模型表征了与网络性能（吞吐量）和视频播放速率相关的视频播放缓冲区行为。这允许即时质量测量和控制，而不需要参考视频。带宽强度专门解决了在TCP流视频播放的连续性方面评估质量问题的需要，这不能通过其他客观指标（如PSNR、SSIM和缓冲区欠载或暂停频率）进行适当测量。的分析模型的性能进行了严格验证的仿真结果和主观测试，使用一系列的视频剪辑。它表明，暂停强度是密切相关的观众的意见分数，无论有很大的不同组成的个别元素，如暂停持续时间和暂停频率，共同构成这个新的质量指标。研究还表明，停顿强度的相关性能是一致的和内容无关的。
2013-08-08 cs.MM
Adversarial Stress Testing of Outlier Detection in Subjective Image Quality Assessment
Department of Computer and Information Science, University of Konstanz, Konstanz, Germany（计算机与信息科学系，康斯坦茨大学，康斯坦茨，德国）
针对主观图像质量评估中异常值检测方法的性能评估缺口，提出通用经验最坏情况框架，验证其能揭示方法的最坏情况表现，还提出低复杂度异常值检测方法，实现出色的最坏情况性能。
2026-09-03 cs.LG cs.MM eess.IV
Generalised Score Distribution: A Two-Parameter Discrete Distribution Accurately Describing Responses from Quality of Experience Subjective Experiments
多媒体质量评估（MQA）实验的主观响应通常用不适合这些响应所代表的数据类型的方法进行分析。此外，获得主观响应是资源密集型的。因此，允许重新使用现有响应的方法将是有益的。使用不正确的数据分析方法导致难以解释结果。这会导致错误的结论。建立在现有的主观反应是资源友好的，并有助于开发基于机器学习（ML）的视觉质量预测。我们表明，使用一个离散的模型来分析MQA主观实验的反应是可行的。我们表明，我们提出的广义分数分布（GSD）适当地描述了在典型的MQA实验中观察到的响应分布。我们强调GSD参数的可解释性，并指出GSD优于基于样本经验分布的方法，当涉及到自举。我们的证据表明，GSD的国家的最先进的模型，无论是在良好的拟合和自举能力。为了做到这一点，我们分析了来自30多个主观实验的100多万个主观反应。此外，我们通过GitHub存储库提供实现GSD模型和相关分析的代码：https://github.com/Qub3k/subjective-exp-consistency-check
2022-02-04 cs.MM
Subjective and Objective Quality Assessment of High Frame Rate Videos
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Google（谷歌）
高帧速率（HFR）视频随着诸如体育的实况高动作流传输内容的巨大流行而变得越来越普遍。虽然HFR内容通常具有非常高的质量，但是高带宽要求使得它们在保持质量的同时高效地传送具有挑战性。为了优化带宽要求和视频质量之间的折衷，在帧速率自适应方面，必须理解帧速率和感知视频质量之间的复杂关系。为了推进这一方向的发展，我们设计了一个新的主观资源，称为LIVE-YouTube-HFR（LIVE-YT-HFR）数据集，它由480个视频组成，具有6种不同的帧速率，从16个不同的内容中获得。为了了解压缩和帧速率调整的组合效果，我们还在每个帧速率下处理了5个压缩级别的视频。为了获得视频上的主观标签，我们进行了一项人类研究，从85名人类受试者中获得了19，000个人类质量评级。我们还对现有的最先进的完整和无参考视频质量算法进行了全面评估，并在新数据库上对其性能进行了统计基准测试。LIVE-YT-HFR数据库已在线提供，供公众使用和评估，希望它将有助于推进这一令人兴奋的视频技术方向的研究。可在\url{https://live.ece.utexas.edu/research/LIVE_YT_HFR/LIVE_YT_HFR/index.html}获取
2021-09-27 cs.CV cs.MM eess.IV
Subjective and Objective Quality Assessment Methods of Stereoscopic Videos with Visibility Affecting Distortions
Indian Institute of Information Technology, Design and Manufacturing Kancheepuram（印度信息技术、设计与制造坎奇普兰学院）；Indian Institute of Technology Indore（印度印多尔理工学院）；Indian Institute of Technology Hyderabad（印度海得拉巴理工学院）
本研究创建含雾霾失真的全高清S3D视频数据集并获取主观DMOS得分，开发OU-DU客观评估模型，通过独眼帧NSS特征UGGD/MVG建模及Bhattacharyya距离融合评估质量，在多数据集上表现优异。
2024-11-29 cs.CV cs.MM
Perceptual Quality Assessment of Immersive Images Considering Peripheral Vision Impact
传统的图像/视频通常在人类视觉系统（HVS）的中央视觉区域内以均匀的质量呈现。最近的具有盔装显示器（HMD）的虚拟现实（VR）设备显著地扩展了视场（FoV）以包括中央视觉区域和周边视觉区域。由于视网膜上光感受器的不均匀分布，在这些区域之间表现出不平等的图像质量感觉。我们建议研究的感觉影响图像的主观质量方面的偏心角$θ$在不同的视觉区域。通常，图像质量由量化步长$q$和空间分辨率$s$单独地和联合地控制。因此，可以通过根据$θ$探索$q$和/或$s$来理解感觉影响，从而产生自适应分析模型，其通过独立交叉验证显示出相当令人印象深刻的准确性。这些模型可以进一步应用于在不同区域给出不同的质量权重，以便显著减小传输数据大小，但没有主观质量损失。如在千兆像素成像系统中所示，我们已经表明，与到处具有均匀质量尺度的传统方案相比，使用模型引导的不相等质量尺度的图像渲染可以加速约10 $\times$。
2018-02-25 cs.MM
Survey on Error Concealment Strategies and Subjective Testing of 3D Videos
在过去的十年中，已经引入和改进了不同的3D场景可视化技术。这些技术包括立体、多视图、整体成像和全息类型。尽管消费者的兴趣日益增加，但3D显示器的不良图像质量、串扰或副作用以及缺乏定义的广播标准已经阻碍了3D显示器向大众消费市场的发展。此外，在基于分组的网络上的3DTV序列的实时的传输可能由于分组丢失等而导致视觉质量劣化。在传统的2D视频中，不同的外插和方向插值策略已经被用于隐藏丢失的块，但在3D中，它仍然是一个新兴的研究领域。很少有研究已经进行了定义的评估方法的立体图像和视频。但从工业和商业的角度来看，主观质量评价是最直接的方式来评估人类对3DTV系统的感知。本文回顾了当前的错误隐藏策略和3D视频的主观评价，并提出了一种低复杂度的视频解码器帧丢失隐藏方法。主观测试的突出数据集的视频和现有的隐藏方法的比较表明，该方法是非常有效的隐藏立体视频的错误，在计算时间，舒适度和失真。
2018-08-29 cs.MM
Video Multimethod Assessment Fusion (VMAF) on 360VR contents
本文介绍了主观实验和随后的分析进行，以验证应用程序的最强大和最有影响力的视频质量指标之一，视频多方法评估融合（VMAF），360 VR内容。VMAF是一个完整的参考指标，最初设计用于传统的2D内容。因此，首先，不能假设其与使用盔装显示器（HMD）来可视化全向内容的场景的特殊性兼容。因此，通过一组完整的测试，我们证明了这个度量可以成功地使用，而无需任何特定的训练或调整，以获得用户实际感知的360 VR序列的质量。
2019-01-18 cs.MM
RAISE: Realness Assessment for Image Synthesis and Evaluation
Department of Computer Science and Engineering, Kalinga Institute of Industrial Technology（计算机科学与工程系，卡林加工业技术学院）；Department of Metallurgical and Materials Engineering, Indian Institute of Technology Kharagpur（冶金与材料工程系，印度理工学院卡里格普分校）；Department of Artificial Intelligence, Indian Institute of Technology Kharagpur（人工智能系，印度理工学院卡里格普分校）
本文提出RAISE数据集，通过人类研究评估真实与AI生成图像的感知真实性，并基于深度基础视觉模型建立预测基线，验证其能有效捕捉主观真实性。
2025-08-03 cs.AI cs.CV cs.MM
Ensuring Reliable Participation in Subjective Video Quality Tests Across Platforms
Microsoft Corporation（微软公司）
针对众包主观视频质量测试中不可靠提交问题，提出RD用户检测器并比较主流平台，以提升评估可靠性。
2025-09-24 cs.CV cs.MM eess.IV
GS-QA: Comprehensive Quality Assessment Benchmark for Gaussian Splatting View Synthesis
Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico（高等理工学院）；University of Lisbon（里斯本大学）
该研究提出GS-QA基准，针对高斯泼溅视图合成开展主观质量评估，覆盖多类场景与相机轨迹，分析18种客观指标与人类感知的一致性，公开相关数据以支撑领域研究。
2025-06-16 cs.CV cs.MM
BASED: Benchmarking, Analysis, and Structural Estimation of Deblurring
Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；MSU Institute for Artificial Intelligence（莫斯科国立大学人工智能研究所）
本文针对去模糊质量评估缺乏GT帧且传统指标与主观感知相关性差的问题，构建了基于分束器的新运动模糊数据集和主观比较，并提出一种无需GT帧、与人类主观感知高度相关的机器学习降参考度量。
2023-05-27 cs.CV cs.MM
Quality assessment of the MPEG-4 scalable video CODEC
University of Passau（帕绍大学）
在本文中，新兴的MPEG-4 SVC编解码器的性能进行评估。第一部分简要介绍了MPEG-4 SVC编解码器的发展和质量评估的相关问题。之后，详细描述了所使用的测试方法，然后解释了实际的测试场景。本文的主要工作是对MPEG-4 SVC编解码器的性能进行客观和主观的分析。
2009-06-03 cs.CV cs.MM
Norm-in-Norm Loss with Faster Convergence and Better Performance for Image Quality Assessment
Peking University（北京大学）
目前，大多数图像质量评估（IQA）模型是监督的MAE或MSE损失与经验缓慢收敛。众所周知，归一化可以促进快速收敛。因此，我们探索归一化损失函数的设计IQA。具体来说，我们首先将预测的质量分数和相应的主观质量分数归一化。然后，根据这些标准化值之间的差异的范数来定义损失。由此产生的“标准中的标准”损失鼓励IQA模型对主观质量分数进行线性预测。在训练之后，应用最小二乘回归来确定从预测质量到主观质量的线性映射。结果表明，新的损失是密切相关的两个常见的IQA性能标准（PLCC和RMSE）。通过理论分析，证明了嵌入归一化使损失函数的梯度更稳定、更可预测，有利于IQA模型更快收敛。此外，为了实验验证所提出的损失的有效性，它被应用到解决一个具有挑战性的问题：在野外图像的质量评估。在两个相关数据集（KonIQ-10 k和CLIVE）上的实验表明，与MAE或MSE损失相比，新的损失使IQA模型的收敛速度提高了约10倍，最终模型获得了更好的性能。该模型还实现了最先进的预测性能在这个具有挑战性的问题。对于可重复的科学研究，我们的代码可在https://github.com/lidq92/LinearityIQA上公开获取。
2020-08-10 cs.CV cs.MM eess.IV
Application of Just-Noticeable Difference in Quality as Environment Suitability Test for Crowdsourcing Speech Quality Assessment Task
众包微任务平台通过提供对高度可扩展的、地理上分布的和人口统计上多样化的众包工作者池的访问来促进主观媒体质量评估。这些工作人员使用自己的硬件，从自己的工作环境远程参与实验。在语音质量评估的情况下，初步的工作表明，环境噪声在听众的一侧和听设备（扬声器或耳机）显着影响感知质量，因此主观评级的可靠性和有效性。因此，ITU-T Rec.P.808规定了在评估语音质量时对人群工作人员的收听环境的要求。在本文中，我们提出了一个新的只是明显的质量差异（JNDQ）测试作为一个远程筛选方法，用于评估是否适合参加语音质量评估任务的工作环境。在实验室实验中，参与者在不同的收听环境中使用不同的收听设备进行了JNDQ测试，包括根据ITU-T Rec. P.800的静音室和模拟的背景噪声场景。结果显示环境和听音设备对JNDQ阈值有显著影响。因此，收听设备和背景噪声的组合需要在众包语音质量测试中被筛选。我们提出了我们的JNDQ测试的最低阈值作为一个容易适用的筛选方法，用于此目的。
2020-04-11 cs.HC cs.MM
Compressed Image Quality Assessment Based on Saak Features
压缩图像质量评价在图像服务中，特别是在图像压缩应用中起着重要的作用，可以用来指导图像处理算法的优化。在本文中，我们提出了一个客观的图像质量评估算法来衡量压缩图像的质量。该方法利用数据驱动的变换，Saak（子空间近似与增强内核），分解图像到层次结构特征空间。我们测量Saak特征的失真，并根据特征对人类视觉系统的重要性来累积这些失真。与现有的图像质量评价方法相比，该方法与主观评价结果的相关性更好。此外，所提出的方法在不同的数据集上实现了更鲁棒的结果。
2019-05-16 cs.MM eess.IV
Perceptual Video Quality Assessment: A Survey
Shanghai Jiao Tong University（上海交通大学）
本文综述了感知视频质量评估领域，涵盖主观与客观方法、通用及特定应用（如流媒体、UGC、VR/AR等），并比较了最新技术的性能，为研究者提供系统参考。
2024-02-05 cs.CV cs.MM eess.IV
Single-sided Real-time PESQ Score Estimation
INRIA/Rennes – Bretagne Atlantique（法国国家信息与自动化研究所/雷恩 – 布列塔尼大西洋）；VTT Technical Research Centre of Finland（芬兰技术研究中心）
几年来，ITU-T的语音质量感知评估（PESQ）一直是客观语音质量评估的参考。它被广泛部署在商业QoE测量产品中，并且在文献中已经得到了很好的研究。虽然PESQ确实为VoIP应用提供了与主观分数相当好的相关性，但该算法本身在实时的【形】上下文中不可用，因为它需要参考信号，而这在正常条件下通常不可用。在本文中，我们提供了一种替代技术估计PESQ分数在单侧的方式，基于伪主观质量评估（PSQA）技术。
2012-12-27 cs.MM cs.SD
Point Cloud Rendering after Coding: Impacts on Subjective and Objective Quality
最近，点云已被证明是一种很有前途的方法，可以为从增强现实到自动驾驶汽车的各种沉浸式应用表示3D视觉数据。新兴的成像传感器使得更容易执行更丰富和更密集的点云采集，特别是数百万个点，从而提高了对高效点云编码解决方案的需求。在这种情况下，重要的是评估点云通信系统中的若干处理步骤的影响和性能，特别是与点云编码解决方案相关联的质量降级。此外，由于点云不是直接可视化的，而是在任何显示器上显示之前用渲染算法处理的，因此点云数据的感知质量高度依赖于渲染解决方案。在这种情况下，本文的主要目标是研究的影响，几个编码和渲染解决方案的感知用户质量和可用的客观质量评估指标的性能。另一个贡献是评估最近的MPEG点云编码解决方案的几个流行的渲染方法，从来没有提出过。结论认为，三种类型的编码工件的三种考虑渲染方法的可见性，以及点云编码后渲染的客观质量指标的优势和劣势。
2020-10-15 cs.MM eess.IV
Objective video quality metrics application to video codecs comparisons: choosing the best for subjective quality estimation
Lomonosov Moscow State University（莫斯科国立大学）；Dubna State University（杜布纳国立大学）
质量评估在创建和比较视频压缩算法中起着关键作用。尽管开发了大量的新方法来评估质量，但公认的和众所周知的编解码器比较主要使用经典方法，如PSNR，SSIM和新方法VMAF。这些方法可以按照不同的规则计算：它们可以使用不同的逐帧平均技术或不同的颜色分量总和。在本文中，一个基本的比较各种版本的普遍接受的指标进行，以找到最相关的和推荐的版本的视频质量指标用于编解码器的比较。为了进行比较，我们使用了一组用不同标准的视频编解码器编码的视频，以及从2018年到2021年收集的视频流的视觉质量分数
2021-07-21 cs.CV cs.MM
dipIQ: Blind Image Quality Assessment by Learning-to-Rank Discriminable Image Pairs
University of Waterloo（滑铁卢大学）；UBTech Sydney Artificial Intelligence Institute（优必选悉尼人工智能研究院）；The University of Sydney（悉尼大学）
在许多图像处理任务中，图像质量的客观评估是非常重要的。在这项工作中，我们专注于学习盲图像质量评估（BIQA）模型，该模型预测数字图像的质量，而无法访问其原始原始质量的对应物作为参考。学习BIQA模型的最大挑战之一是巨大的图像空间（在图像像素数量的维度上）和极其有限的可靠的地面真实数据之间的冲突。这些数据通常是通过主观测试收集的，这是繁琐的，缓慢的，昂贵的。在这里，我们首先表明，大量的可靠的训练数据的质量可辨别的图像对（DIP）的形式，可以自动获得低成本，通过利用大规模的数据库与不同的图像内容。然后，我们使用RankNet（一种成对的学习排序（L2 R）算法）从数百万个DIP中学习一个不知道意见的BIQA（OU-BIQA，意味着不使用主观意见进行训练）模型，每个DIP都与感知相关不确定性水平，从而产生DIP推断质量（dipIQ）指数。在四个基准IQA数据库上的广泛实验表明，dipIQ优于最先进的OU-BIQA模型。dipIQ的稳健性也得到了显著改善，这一点已通过组最大差异（gMAD）竞争方法得到证实。此外，我们扩展了所提出的框架，学习模型与ListNet（一个列表L2 R算法）的质量可辨别的图像列表（DIL）。由此产生的DIL推断质量（dilIQ）指数实现了额外的性能增益。
2019-04-13 cs.CV cs.MM
UGC-VIDEO: perceptual quality assessment of user-generated videos
近年来，互联网上的用户生成内容（UGC）视频数量不断增长。然而，UGC视频感知质量评估的进展仍然相当有限。在完整的视频制作和交付链中，UGC视频有许多突出的特点，与视频质量密切相关的一个重要属性是，在上传到托管平台后，不存在原始源，因此在最终观看之前，它们通常经过多个压缩阶段。为了方便UGC视频质量评估，我们创建了UGC视频感知质量评估数据库。它包含从TikTok收集的50个源视频，内容多样，以及通过不同量化级别和编码标准压缩生成的多个失真版本。采用主观质量评价方法对视频质量进行评价。此外，我们使用现有的质量评估算法对数据库进行基准测试，并观察到未来提高UGC视频质量测量准确性的潜在空间。
2019-09-12 cs.MM eess.IV
Image Quality Assessment: From Human to Machine Preference
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Lab（上海人工智能实验室）；Moonshot AI（月之暗面）；Nanyang Technological University（南洋理工大学）
本文首次提出面向机器视觉的图像质量评估，定义机器偏好并构建含225万标注、3万图像对的MPD，验证现有以人为中心的IQA指标难以表征机器偏好。
2025-03-13 cs.CV cs.MM eess.IV
Latent Factor Modeling of Users Subjective Perception for Stereoscopic 3D Video Recommendation
Indian Institute of Information Technology, Design and Manufacturing Kancheepuram（印度坎奇普拉姆信息技术设计与制造学院）；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
每年都有许多立体3D电影在影院上映，并创造了大量收入。尽管立体捕捉和3D视频后期制作技术有所改进，但即使在高预算电影中也会继续出现引起观众不适的立体伪影。现有的自动3D视频质量测量工具可以检测立体图像或视频中的失真，但它们未能考虑观众对这些伪影的主观感知，以及这些失真如何影响他们的选择。在本文中，我们介绍了一种新的推荐系统，立体3D电影的基础上的潜在因素模型，仔细分析观众的主观评级和3D视频失真对他们的喜好的影响。据我们所知，这是第一个基于立体电影质量评级推荐3D电影的模型，该模型考虑了观众视觉不适和立体伪影感知之间的相关性。该模型在基准Nama 3ds 1-cospad 1和LFOVIAS 3DPh 2 S3 D视频质量评估数据集上进行了训练和测试。实验结果表明，基于矩阵分解的推荐系统能够更好地概括观众的主观评分。
2021-01-25 cs.CV cs.MM eess.IV
Exploring Video Quality Assessment on User Generated Contents from Aesthetic and Technical Perspectives
Nanyang Technological University（南洋理工大学）；Sensetime Research（商汤科技研究院）；Tetras AI（Tetras人工智能公司）
用户生成内容（UGC）视频的快速增长要求开发有效的视频质量评估（VQA）算法。然而，UGC-VQA问题的目标仍然是模糊的，可以从两个角度来看：技术的角度来看，测量失真的感知;和美学的角度来看，这涉及到对内容的偏好和推荐。为了了解这两个角度如何影响UGC-VQA中的整体主观意见，我们进行了一项大规模的主观研究，以收集人类对视频整体质量的意见，以及从美学和技术角度的看法。收集的视频质量数据库（DIVIDE-3 k）证实，人们对UGC视频的质量意见普遍且不可避免地受到美学和技术角度的影响。有鉴于此，我们提出了解纠缠客观视频质量评估器（DOVER）学习的UGC视频质量的基础上的两个角度。DOVER在UGC-VQA中以非常高的效率证明了最先进的性能。在DIVIDE-3 k中，我们进一步提出了DOVER++，这是第一种从单一美学或技术角度提供可靠清晰的质量评估的方法。代码请访问https://github.com/VQAssessment/DOVER。
2023-03-07 cs.CV cs.LG cs.MM
