UGC-VQA：面向用户生成内容的盲视频质量评估基准测试
计算机视觉与模式识别
2021-05-05 v2 图像与视频处理
摘要
得益于经济可靠的消费级拍摄设备的演进以及社交媒体平台的巨大普及，近年来在互联网上分享和流式传输的用户生成内容(UGC)视频呈现爆发式增长。因此，为了监控、控制和优化这些海量内容，迫切需要针对UGC/消费者视频的准确视频质量评估(VQA)模型。对自然场景视频进行盲质量预测极具挑战性，因为UGC内容的质量退化是不可预测的、复杂的，且往往交织在一起。本文通过在固定的评估架构上对领先的 无参考/盲 VQA(BVQA)特征与模型进行全面评估，为推进UGC-VQA问题做出了贡献，并在主观视频质量研究和VQA模型设计方面得出了新的经验性见解。通过在领先VQA模型特征之上采用特征选择策略，我们能够从领先模型所使用的763个统计特征中提取60个，以创建一个新的基于融合的BVQA模型，我们将其命名为VIDeo quality EVALuator (VIDEVAL)，该模型有效平衡了VQA性能与效率之间的权衡。我们的实验结果表明，VIDEVAL以远低于其他领先模型的计算成本实现了SOTA性能。我们的研究方案还为UGC-VQA问题定义了可靠的基准，我们相信这将促进基于深度学习的VQA建模的进一步研究，以及感知优化的高效UGC视频处理、转码和流媒体传输。为促进可复现研究和公开评估，VIDEVAL的实现已在线公开：\url{https://github.com/tu184044109/VIDEVAL_release}。
引用
@article{arxiv.2005.14354,
title = {UGC-VQA: Benchmarking Blind Video Quality Assessment for User Generated Content},
author = {Zhengzhong Tu and Yilin Wang and Neil Birkbeck and Balu Adsumilli and Alan C. Bovik},
journal= {arXiv preprint arXiv:2005.14354},
year = {2021}
}
备注
IEEE Transactions on Image Processing 2021