RMT-BVQA: Recurrent Memory Transformer-based Blind Video Quality Assessment for Enhanced Video Content

随着深度学习的最新进展，已经开发出了许多算法来增强视频质量，减少视觉伪影并提高感知质量。然而，对于增强后的内容的质量评估很少有研究报告——评估增强方法通常基于为压缩应用设计的质量指标。在本文中，我们提出了一种新的盲目深度视频质量评估（VQA）方法，专门针对增强视频内容。它采用一种基于新的循环记忆变压器（RMT）网络架构的方法来获取视频质量表示，这种方法通过基于包含13K训练补丁的新数据库的新内容质量感知对比学习策略进行优化。然后，通过线性回归将提取的质量表示组合起来，生成视频级质量指数。所提出的方法RMT-BVQA已经通过五倍交叉验证在VDPVE（感知视频增强的VQA数据集）数据库上进行了评估。结果表明，与十种现有的无参考质量指标相比，它具有更优秀的相关性能。

提出一种针对增强视频内容的盲视频质量评估方法，解决现有评估方法不适用于增强视频内容的问题。

提出一种基于新型循环记忆变压器（RMT）的神经网络架构，结合基于内容质量感知的对比学习策略，从包含13K训练补丁的新数据库中提取质量表示，并通过线性回归组合这些表示生成视频级别的质量指数。

该方法被命名为RMT-BVQA，通过五倍交叉验证在VDPVE数据库上进行评估，与十种现有的无参考质量指标相比，其相关性表现更优。该论文的亮点还包括实验设计的详细说明和使用的数据集。

最近的相关研究包括：1.基于卷积神经网络的视频质量评估方法；2.使用深度学习的视频质量评估方法。