基于机器学习的视频编解码器的全参考视频质量评估
图像与视频处理
2023-09-06 v1 计算机视觉与模式识别
摘要
基于机器学习 (ML) 的视频编解码器在过去几年中取得了显著进展。基于 ML 的视频编解码器开发中的一个关键领域是不需要昂贵且缓慢的主观测试的准确评估指标。我们表明，为基于 DSP 的视频编解码器设计并训练的现有评估指标，在与 ML 视频编解码器一起使用时，由于 ML 与视频编解码器之间的视频伪影差异很大，与主观意见的相关性不高。我们提供了一个新的 ML 视频编解码器视频数据集，其质量已被准确标注。我们还提出了一种新的全参考视频质量评估 (FRVQA) 模型，在模型级别达到了 0.99 的皮尔逊相关系数 (PCC) 和 0.99 的斯皮尔曼秩相关系数 (SRCC)。我们将数据集和 FRVQA 模型开源，以帮助加速 ML 视频编解码器的研究，并使他人能够进一步改进 FRVQA 模型。
引用
@article{arxiv.2309.00769,
title = {Full Reference Video Quality Assessment for Machine Learning-Based Video Codecs},
author = {Abrar Majeedi and Babak Naderi and Yasaman Hosseinkashi and Juhee Cho and Ruben Alvarez Martinez and Ross Cutler},
journal= {arXiv preprint arXiv:2309.00769},
year = {2023}
}