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
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
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
Robust Subjective Visual Property Prediction from Crowdsourced Pairwise Labels
Queen Mary University of London(伦敦玛丽女王大学);Peking University(北京大学)
从图像和视频中估计主观视觉特性的问题引起了越来越多的关注。主观视觉属性本身(例如图像和视频兴趣度)或作为视觉识别的中间表示(例如相对属性)是有用的。由于其模糊的性质,注释主观视觉属性的值以学习预测模型是具有挑战性的。为了使注释更可靠,最近的研究采用众包工具来收集成对比较标签,因为人类注释者在对两个图像/视频进行排名(例如,哪一个更有趣)方面要比单独给每个图像/视频一个绝对值要好得多。然而,使用众包数据也会引入离群值。现有方法依赖于多数投票来修剪注释离群值/错误。因此,它们需要收集大量的成对标记。更重要的是,作为一种局部离群点检测方法,多数投票在识别可能导致全局排名不一致的离群点方面是无效的。在本文中,我们提出了一种更有原则的方法来识别注释离群值,通过将主观视觉属性预测任务制定为统一的鲁棒学习排序问题,同时解决离群值检测和学习排序。不同于现有的方法,所提出的方法集成本地成对比较标签在一起,以尽量减少成本,对应于全球排名顺序的不一致性。这不仅可以更好地检测注释离群值,还可以使用极其稀疏的注释进行学习。在各种基准数据集上的广泛实验表明,我们的新方法显着优于最先进的替代方案。
2015-07-27 cs.CV cs.LG 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
No-reference Point Cloud Geometry Quality Assessment Based on Pairwise Rank Learning
点云的客观几何质量评估对于评估各种基于点云的解决方案的性能至关重要,例如去噪,简化,重建和水印。现有的点云质量评估(PCQA)方法致力于为扭曲的点云分配绝对质量分数。他们的表现在很大程度上依赖于训练的主观地面实况分数的质量和数量,这是具有挑战性的收集,并已被证明是不精确的,有偏见的,和不一致的。此外,大多数现有的客观几何质量评估方法是通过完全参考传统度量进行的。到目前为止,基于点的无参考几何唯一的质量评估技术尚未被研究。本文介绍了PRL-GQA,第一个成对的学习框架,无参考几何只有质量评估的点云,尽我们所知。所提出的PRL-GQA框架采用了一种连体式的深度架构,该架构将一对点云作为输入,并输出它们的排名顺序。每个连体架构分支是一个几何质量评估网络(GQANet),旨在提取多尺度质量感知几何特征,并输出输入点云的质量指数。然后,基于预测的质量指标,引入成对排序学习模块对退化点云的相对质量进行排序,实验结果验证了该框架的有效性。此外,结果还表明,微调无参考GQANet执行竞争力相比,现有的全参考几何质量评估指标。
2022-11-02 cs.GR cs.MM
Transforming Video Subjective Testing with Training, Engagement, and Real-Time Feedback
Amazon Prime Video(亚马逊Prime视频)
本文提出一种通过训练、参与和实时反馈改进视频主观测试的新方法,提升数据质量和评分单调性。
2026-01-08 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
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
Systematic Analysis of Experiment Precision Measures and Methods for Experiments Comparison
实验精度的概念量化了主观实验中用户评分的方差。虽然存在评估主观实验精度的措施,但文献中没有对这些措施进行系统分析。据我们所知,在多媒体质量评估领域也没有系统的框架来比较主观实验的精度。因此,本文的主要思想是提出一个框架,比较主观实验在MQA领域的基础上适当的实验精度措施。提出了三种实验精度测度和三种相关的实验精度比较方法。我们系统地分析了所提出的措施和方法的性能。我们这样做,通过模拟研究(不同的用户评级方差和偏见),并通过使用来自四个现实世界的体验质量(QoE)主观实验的数据。在模拟研究中,我们专注于众包QoE实验,因为与传统的主观实验方法相比,它们可以产生具有更高方差和偏差的评级。我们的结论是,我们提出的措施和相关的比较方法适当捕获实验精度(无论是在模拟和真实世界的数据进行测试时)。其中一项措施也证明能够处理甚至严重偏见的反应。我们相信我们的实验精度评估框架将有助于比较不同的主观实验方法。例如,它可以帮助决定哪种方法可以产生更精确的用户评级。这可能会为未来的标准化活动提供信息。
2022-08-04 cs.HC 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
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