Modeling the Time-varying Subjective Quality of HTTP Video Streams with Rate Adaptations
新开发的基于HTTP的视频流技术能够在不同的信道条件下实现灵活的速率自适应。因此,准确地预测速率自适应HTTP视频流的用户体验质量(QoE)对于实现效率至关重要。理解和建模QoE的一个重要方面是预测视频在播放时的最新主观质量,由于人类行为响应中的滞后效应和非线性,这是困难的。提出了一种用于预测码率自适应视频时变主观质量的Hammerstein-Wiener模型。为了收集用于模型参数化和验证的数据,建立了具有时变失真的较长持续时间视频的数据库,并在大规模主观研究中测量了视频的TVSQ。该方法能够可靠地预测速率自适应视频的TVSQ。由于Hammerstein-Wiener模型具有非常简单的结构,因此所提出的方法适用于基于HTTP的流媒体中的在线TVSQ预测。
2013-11-25 cs.MM
A Knowledge-Driven Quality-of-Experience Model for Adaptive Streaming Videos
自适应流媒体视频的巨大空间和主观实验容量的有限性之间的根本冲突给客观体验质量(QoE)预测带来了重大挑战。现有的客观QoE模型表现出复杂的函数形式,未能在不同的流媒体环境中很好地推广。在这项研究中,我们提出了一个客观的QoE模型,即知识驱动的流媒体质量指数(KSQI)整合先验知识的人类视觉系统和人类注释数据的原则性的方式。通过分析对流媒体视频的主观特征,从主观研究的语料库,我们表明,家庭的QoE功能在于一个凸集。使用投影梯度下降的变体,我们在训练视频的数据库上优化客观QoE模型。拟议的KSQI表现出强大的通用性,以不同的流媒体环境,明显的国家的最先进的性能在四个公开的基准数据集。
2019-11-18 cs.MM cs.NI
YouTube QoE Evaluation Tool for Android Wireless Terminals
在本文中,我们提出了一个Android应用程序,它能够评估和分析感知体验质量(QoE)的YouTube服务在无线终端。为了实现该目标,应用程序执行客观服务质量(QoS)参数的测量,然后通过效用函数将其映射到主观QoE(根据平均意见得分,MOS)。我们的应用程序还告知用户有关导致低MOS的潜在原因,并提供一些提示来改善它。在每个YouTube会话之后,用户可以选择通过在线意见调查来确定会话。该信息已在试点体验中用于将理论QoE模型与真实用户反馈相关联。从这样的经验的结果表明,理论模型(取自文献)提供了比用户反馈稍微悲观的结果。用户似乎更沉迷于无线连接,与从有线场景获得的理论模型相比,民意调查的MOS增加了约20%。
2014-05-19 cs.MM
Assessing the Quality-of-Experience of Adaptive Bitrate Video Streaming
视频传输管道的多样性对自适应比特率(ABR)流媒体算法和客观体验质量(QoE)模型的评估提出了巨大的挑战。在这里,我们介绍了迄今为止同类中最大的主题分级数据库,即WaterlooSQoE-IV,由1350个自适应流媒体视频组成,这些视频是从不同的源内容、视频编码器、网络跟踪、ABR算法和观看设备创建的。我们通过一系列精心设计的主观实验收集每个视频的人类意见。随后的数据分析和使用数据库的ABR算法和QoE模型的测试/比较导致了一系列新颖的观察和有趣的发现,在主观实验方法的有效性,用户体验和源内容之间的相互作用,观看设备和编码器类型,用户体验的偏差和偏好的异质性,ABR算法的行为,以及客观QoE模型的性能。最重要的是,我们的研究结果表明,一个更好的客观QoE模型,或者更好地理解人类的感知体验和行为,是提高ABR算法性能的最主要因素,而不是先进的优化框架,机器学习策略或带宽预测器,在过去的十年中,大多数ABR研究都集中在这些方面。另一方面,我们对11个QoE模型的性能评估显示,最先进的QoE模型和主观评分之间只有适度的相关性,这意味着QoE建模和ABR算法都有改进的空间。该数据库在以下网址公开提供:\url{https://ece.uwaterloo.ca/~zduanmu/waterloosqoe4/}。
2020-08-20 cs.MM eess.IV
Modeling the Impacts of Swipe Delay on User Quality of Experience in Short Video Streaming
本文研究滑动延迟对短视频流媒体用户体验的影响,通过132种滑动延迟模式的主观评估,发现延迟时长、次数及时间位置均影响用户体验,提出新的QoE模型以准确预测用户感受。
2026-03-19 cs.MM
Formal Definition of QoE Metrics
本技术报告正式定义了QoE指标,这些指标在Tobias Hoßfeld、Poul E. Heegaard,Martin Varela,Sebastian Möller,接受了Springer期刊“Quality and用户体验“的出版。用于计算给定数据集的QoE指标的Matlab脚本可在GitHub中获得。
2016-07-01 cs.MM
A review on Machine Learning based User-Centric Multimedia Streaming Techniques
Indian Institute of Technology, Kharagpur(印度理工学院克勒格布尔分校);INRIA(法国国家信息与自动化研究院)
本文综述了基于机器学习的以用户为中心的多媒体流传输技术,重点涵盖整体与连续时变QoE建模、传统及360°视频的自适应流传输策略、相关数据集以及当前不足与开放挑战。
2024-11-24 cs.AI cs.LG cs.MM
A Survey on QoE-oriented Wireless Resources Scheduling
未来的无线系统有望为越来越多的用户提供广泛的服务。先进的调度策略,因此出现,不仅执行有效的无线电资源管理,而且提供用户之间的公平性。另一方面,用户的感知质量,即,体验质量(QoE)正在成为移动设备设计的主要驱动因素之一。在这种情况下,本文首先提供了什么是QoE的理解和无线调度技术的发展概述。之后,最新的QoE为基础的调度策略的无线系统的调查,突出了文献中报道的不同方法的应用/服务,以及考虑到QoE优化的参数。因此,本文旨在帮助有兴趣的读者了解面向QoE的无线资源调度的基本概念,以及接触其当前的研究前沿。
2020-03-14 cs.MM cs.NI
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
Confidence Interval Estimators for MOS Values
对于QoE的量化,受试者通常在某些评级量表上提供个人评级分数,然后将其汇总为平均意见分数(MOS)。根据观察到的样本数据,估计期望值。虽然样本平均值仅提供点估计量,但置信区间(CI)是包含具有给定置信水平的期望值的区间估计量。在主观研究中,进行测试的受试者数量通常很少,特别是在实验室环境中。所使用的评级量表是有界的,通常是离散的,如5点ACR评级量表。因此,我们回顾了文献中的统计方法在MOS区间估计的QoE域中的适用性(而不是只有一个点估计量,即MOS)。我们提供了一个保守的估计SOS假设和二项分布的基础上,并比较其性能(CI宽度,CI违反评级尺度界限的离群值比率)和覆盖概率与著名的CI估计。我们表明,所提供的CI估计量在MOS区间估计量的实践中效果非常好,而常用的学生化CI存在正离群值比率,即,置信区间超出评定量表的范围。作为替代方案,自举,即,随机抽样的主观评级与替换,是一个有效的CI估计,导致通常较小的CI,但较低的覆盖率比拟议的估计。
2018-06-04 cs.HC cs.MM cs.PF
A Comparative Case Study of HTTP Adaptive Streaming Algorithms in Mobile Networks
HTTP自适应流(HAS)技术现在是移动网络中视频传输的主要解决方案。在过去的几年中,已经引入了几种HAS算法,以便通过比特率自适应来提高用户体验质量(QoE)。它们的区别主要在于所需的输入信息,从网络特性到应用层参数(如回放缓冲区)。有趣的是,尽管最近关于这个主题的科学论文激增,但仍然缺少对主要算法类的全面比较研究。在本文中,我们提供了这样的比较,通过评估性能的国家的最先进的HAS算法每一类,从现场测量的数据的基础上。我们提供了一个系统的研究的主要QoE因素和目标缓冲水平的影响。我们的结论是,这个目标缓冲区的水平是一个关键的分类研究HAS算法。虽然基于缓冲区的算法在大多数情况下显示出优越的QoE,但它们的性能在直播流服务的低目标缓冲区水平下可能不同。总体而言,我们相信,我们的研究结果提供了有价值的见解的设计和选择HAS算法根据网络条件和服务要求。
2017-05-04 cs.MM
Learning QoE from Packet-Level Measurements in Encrypted Video Conferencing Traffic
针对ISP无法访问加密内容评估QoE的挑战,提出基于CNN的框架仅利用数据包大小预测BRISQUE和MOS,在WhatsApp和Zoom数据集上优于先前模型。
2026-06-17 cs.CR cs.CV cs.LG
Dialogue Understandability: Why are we streaming movies with subtitles?
本研究提出“对话可懂度”概念,定义并分类了影响流媒体观影体验的因素,将其映射至QoE框架,通过初步实验评估测量工具,并指出了未来研究趋势。
2024-03-22 cs.MM eess.AS
New Approach for an Affective Computing-Driven Quality of Experience (QoE) Prediction
University of Paris-Est Creteil(巴黎东克雷泰伊大学)
本研究提出一种情感计算驱动的QoE预测新模型,基于公开多媒体QoE数据集的EEG数据提取特征训练多类深度学习模型,经优化的LSTM模型F1分数达68%-78%,并分析了频段与电极的重要性差异。
2023-11-05 cs.AI cs.CV cs.HC
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
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
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
Is there a relationship between Mean Opinion Score (MOS) and Just Noticeable Difference (JND)?
Nantes Université, Ecole Centrale Nantes(南特大学,中央理工-南特学院);University of Klagenfurt(克拉根福大学);Cardiff University(卡迪夫大学)
本文通过DCR研究探讨MOS与JND的关系,发现MOS与理论预期一致,但反向映射存在模糊性,且小样本研究可能无法检测显著差异。
2026-02-19 cs.MM eess.IV
An Ensemble Rate Adaptation Framework for Dynamic Adaptive Streaming Over HTTP
Shandong University(山东大学);City University of Hong Kong(香港城市大学)
速率自适应是HTTP动态自适应流媒体(DASH)中最重要的问题之一。由于网络带宽的频繁波动和视频内容的复杂变化,采用单一的速率自适应方法很难很好地应对不断变化的网络条件和视频内容。在本文中,我们提出了一个集成速率自适应框架DASH,其目的是利用框架中涉及的多种方法的优势,以提高用户的体验质量(QoE)。拟议的框架简单而有效。具体而言,拟议框架由两个模块组成,即,方法池和方法控制器。在方法池中,集成了几种速率自适应方法。在每个决策时间,仅选择可以实现最佳QoE的方法来确定所请求的视频片段的比特率。此外,我们还提出了两种切换方法的策略,即,即时方法切换和间歇方法切换,用于方法控制器确定哪种方法可以提供最佳QoE。仿真结果表明,与现有的速率自适应算法相比,该算法在信道环境和视频复杂度变化的情况下,仍能获得最高的QoE。
2019-12-26 cs.CV cs.MM cs.SY
A Mixed-Behavior Vote Model for Multimedia Subjective Quality Votes, Means, and Variances
该研究针对多媒体主观质量投票,提出了单峰方差区域及混合行为投票模型,解决抛物线方差模型违反可允许区域的问题,通过16个多模态数据集验证了模型的有效性。
2026-08-31 cs.MM cs.SD eess.AS
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
Machine Learning-Based Prediction of Quality Shifts on Video Streaming Over 5G
针对5G视频流中质量切换影响用户体验质量(QoE)的问题,研究其与信道指标RSRP、RSRQ、SNR的关系,提出基于传统机器学习分类器的预测方法,仅用上述指标实现77%准确率,助力5G时代OTT服务优化。
2025-08-25 cs.LG cs.MM
MADRL-Based Rate Adaptation for 360° Video Streaming with Multi-Viewpoint Prediction
University of Ottawa(渥太华大学);Huawei Canada(华为加拿大);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
针对360°视频流单视角预测应对突发头部运动效果差的问题,提出多模态时空注意力Transformer多视角预测方法,结合基于CTDE框架MAPPO的MADRL自适应码率算法,最高提升QoE指标85.5%。
2024-05-17 cs.AI cs.MM cs.NI
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
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