视频质量评估(VQA)旨在预测视频质量,但传统模型在用户生成内容(UGC)上的表现有限。深度学习的进步提升了VQA的性能,尤其是在大规模标注数据集的支持下。本文综述了VQA的主观与客观评估方法,分析了深度学习模型的应用与挑战,并展望未来研究方向,以增强其在媒体和通信领域的潜力。
本文提出了一种公平分配模型,旨在合理划分不可分割商品,解决个体主观评估的问题。研究表明,最优分配并不总是存在,但在主观评估和市场价值的较弱条件下可以得到保证。这项研究对公平分配的理论与实践具有重要意义。
本文介绍了LIVE In the Wild图像质量挑战数据库,旨在克服现有数据库在真实环境中的局限性。通过众包系统进行主观评估,提出多种算法和模型以优化数据标注和评估过程,强调用户主观性对图像评估的影响,并探讨移动应用中机器学习模型的公平性和准确性。
本文综述了传统和新兴信号的质量评估方法,包括HDR和3D图像。提供了主观和客观评估的分类和综述,并评估了9种常用的质量评估指标在四个主观质量数据集上的表现和计算时间。同时,简要介绍了3D图像质量评估,并综述了相关问题。
完成下面两步后,将自动完成登录并继续当前操作。