Study of the effect of Sharpness on Blind Video Quality Assessment

简介：视频质量评估（VQA）是现代社会中的重要研究领域之一，视频是与各个领域应用相关的关键组成部分。移动技术的快速发展使任何人都能够创建视频，从而导致了各种各样的视频质量场景。目标：虽然VQA已经存在了一段时间，使用的是像SSIM和PSNR这样的经典度量，但机器学习的出现带来了基于卷积神经网络（CNN）或深度神经网络（DNN）的新型VQA技术。方法：过去几年里，诸如BVQA之类的各种研究，使用DNN对基于自然的视频进行视频质量评估，展示了机器学习算法的强大能力。BVQA使用DNN探索了人类视觉系统的效应，如通常称为时间效应的内容依赖性和时间相关因素。结果：本研究探讨了像BVQA这样的模型对锐度的影响。锐度是视频图像清晰度和细节的测量。锐度通常涉及分析图像的边缘和对比度，以确定总体细节和锐度水平。结论：本研究使用现有的视频质量数据库，如CVD2014。在培训和测试期间，对各种机器学习参数（如SRCC和PLCC）进行了比较研究，并给出了结论。

视频质量评估在现代通信中扮演着重要角色，本论文试图通过基于CNN或DNN的新技术解决视频质量评估中的问题，特别是针对锐度效果的影响。

本论文提出了一种基于DNN的视频质量评估方法，探究了锐度效果对于模型的影响。

本论文使用CVD2014等现有视频质量数据库进行了实验，比较了训练和测试过程中的各种机器学习参数，如SRCC和PLCC。值得关注的是，本论文探究了锐度效果对于模型的影响，这是目前该领域的新颖研究方向。

目前在该领域中，还有一些相关研究，如基于SSIM和PSNR的经典方法，以及利用DNN探究自然视频质量评估的BVQA等。