rPPG-VQA：用于无监督 rPPG 训练的视频质量评估框架
计算机视觉与模式识别
2026-04-14 v1
摘要
无监督远程光电容积描记法 (rPPG) 有望利用未标记的视频数据，但其潜力受到一个关键挑战的阻碍：在低质量的“野外”视频上训练会严重降低模型性能。这里缺失的一个关键步骤是在将视频用于 rPPG 模型学习任务之前，评估其适用性。现有的视频质量评估 (VQA) 方法主要针对人类感知设计，并不直接适用于上述目的。在这项工作中，我们提出了 rPPG-VQA，一个用于评估视频对 rPPG 适用性的新颖框架。我们整合了信号级和场景级分析，并设计了一个双分支评估架构。信号级分支通过采用多方法共识机制的鲁棒信噪比 (SNR) 估计来评估视频的生理信号质量，而场景级分支则使用多模态大语言模型 (MLLM) 来识别运动和不稳定光照等干扰。此外，我们提出了一种两阶段自适应采样 (TAS) 策略，利用质量分数来策划最优的训练数据集。实验表明，通过在我们框架筛选后的大规模“野外”视频上进行训练，我们可以开发出在标准基准测试中精度显著提高的无监督 rPPG 模型。我们的代码可在 https://github.com/Tianyang-Dai/rPPG-VQA 获取。
引用
@article{arxiv.2604.11156,
title = {rPPG-VQA: A Video Quality Assessment Framework for Unsupervised rPPG Training},
author = {Tianyang Dai and Ming Chang and Yan Chen and Yang Hu},
journal= {arXiv preprint arXiv:2604.11156},
year = {2026}
}
备注
Accepted by CVPR 2026