NovisVQ：面向无参考、无偏见的流式卷积神经网络帧质量评估
计算机视觉与模式识别
2025-11-07 v1
摘要
视频质量评估（VQA）对于计算机视觉任务至关重要，但现有方法面临主要限制：全参考（FR）指标需要干净的参考视频，大多数无参考（NR）模型依赖昂贵的人类意见标签训练。此外，大多数 opinion-unaware NR 方法基于图像，忽略了视频目标检测中至关重要的时序上下文。本文提出了可扩展、基于流的 VQA 模型，既无参考又 opinion-unaware。我们的模型利用 DAVIS 数据集的合成退化，训练时序感知卷积网络，从退化视频直接预测 FR 指标（LPIPS、PSNR、SSIM），在推理时无需参考视频。我们表明，基于流的做法在多样化退化情景下优于自身基于图像的基线，凸显时序建模在面向实际视觉系统的可扩展 VQA 中的价值。此外，我们演示了该模型在与 FR 指标的相关性方面优于 BRISQUE（广泛使用的 opinion-aware 图像质量评估基线），验证了我们时序、 opinion-unaware 方法的有效性。
引用
@article{arxiv.2511.04628,
title = {NovisVQ: A Streaming Convolutional Neural Network for No-Reference Opinion-Unaware Frame Quality Assessment},
author = {Kylie Cancilla and Alexander Moore and Amar Saini and Carmen Carrano},
journal= {arXiv preprint arXiv:2511.04628},
year = {2025}
}