Light-VQA+: A Video Quality Assessment Model for Exposure Correction with Vision-Language Guidance

最近，用户生成的内容（UGC）视频在我们的日常生活中越来越受欢迎。然而，由于摄影设备和技术的限制，UGC视频经常遭受曝光不足的问题。因此，提出了视频曝光校正（VEC）算法，包括低光视频增强（LLVE）和过曝视频恢复（OEVR）。与VEC同样重要的是视频质量评估（VQA）。不幸的是，几乎所有现有的VQA模型都是通用构建的，从综合的角度衡量视频的质量。因此，提出了基于LLVE-QA训练的Light-VQA，用于评估LLVE。我们通过将LLVE-QA数据集扩展为视频曝光校正质量评估（VEC-QA）数据集，并包括过曝视频及其相应的校正版本，扩展了Light-VQA的工作。此外，我们提出了Light-VQA+，一种专门用于评估VEC的VQA模型。Light-VQA+与Light-VQA的主要区别在于使用CLIP模型和视觉语言指导进行特征提取，然后通过一个新模块参考人类视觉系统（HVS）进行更准确的评估。广泛的实验结果表明，我们的模型在VEC-QA数据集和其他公共数据集上的表现优于当前最先进的VQA模型。

本论文旨在解决用户生成内容（UGC）视频中存在的曝光不足或过度曝光的问题，提出了Video Exposure Correction Quality Assessment (VEC-QA)数据集和Light-VQA+模型来评估视频质量。

Light-VQA+模型使用了CLIP模型和人类视觉系统（HVS）的引导，结合新的模块来进行更准确的评估，相比现有的VQA模型在VEC-QA数据集和其他公共数据集上表现更好。

论文扩展了LLVE-QA数据集，提出了VEC-QA数据集，包括过度曝光视频及其相应的修正版本。实验结果表明，Light-VQA+模型在VEC-QA数据集和其他公共数据集上的表现优于当前最先进的VQA模型。

最近的相关研究包括：Low-Light Image Enhancement、HDR Image Reconstruction和Image Quality Assessment等。