本研究探讨了短视频用户生成内容的质量评估与增强，推出了轻量级视频质量评估模型和新数据集KwaiSR，旨在提升用户体验。该挑战吸引了266名参与者，推动了短视频质量评估和图像超分辨率领域的发展。

本文探讨了机器翻译在处理用户生成内容时保留情感细微差别的挑战，提出了一种基于信息论的方法，通过生成中文同音词来检测翻译系统的脆弱性。研究表明，较大的语言模型在应对同音词时表现出更高的稳定性和鲁棒性，为翻译质量评估提供了重要见解。

本研究探讨了用户生成内容平台上AI生成标题的价值，实地实验表明，AI生成的标题显著提升了内容消费，尤其在创作者与AI合作时，强调了人机协作的重要性。

在数字化时代，小红书成为品牌推广的重要平台。品牌通过用户生成内容、专业内容策略、高质量视觉、搜索和标签、与博主合作、建立社群等策略提升影响力，注重长期用户关系和持续价值，实现品牌增长和知名度提升。

本文介绍了多个视频质量评估（VQA）方法和数据集的进展，特别关注无参考VQA。研究提出了新模型和数据集，以解决用户生成内容视频中的视觉质量下降问题，并展示了多种方法的有效性和创新性。

本文介绍了多种用户生成内容（UGC）视频质量评估（VQA）模型的研究进展，包括VIDEVAL、RAPIQUE和KSVQE等。通过构建大型数据库和引入深度学习方法，这些模型在无参考视频质量评估中表现优异，解决了UGC视频质量评估的挑战，具有良好的实际应用前景。

该研究探讨了在线用户生成内容游戏的非法推广问题，开发了UGCG-Guard系统，能够有效识别非法推广图片，准确率达到94%。同时，研究了视觉-语言生成模型的有害内容生成倾向，提出了新型毒性度量标准WInToRe，并开发了毒素去除方法。此外，针对文本到视频生成的安全风险，建立了T2VSafetyBench基准，强调视频生成安全的重要性。

本文介绍了一种新的视频质量评估模型VIDEVAL，旨在提升用户生成内容（UGC）视频的感知质量。该模型通过融合多种特征，兼顾性能与效率，并在多个基准测试中表现优异。此外，研究还探讨了无参考视觉质量评估（NR-VQA）和自我监督学习方法，以提高评估准确性。

用户生成内容（UGC）视频曝光校正算法的提出解决了曝光不足的问题。基于低光视频增强的Light-VQA模型用于评估视频质量。Light-VQA+模型引入人类视觉系统的新模块，提供更准确的VEC评估。实验证明，这些模型在VEC-QA数据集和其他公共数据集上性能优于现有的VQA模型。

尽管Bing AI发布超过半年，但Edge Bing AI偶尔会拒绝为用户生成内容或推荐其他工具。微软已获悉此问题并正在修复。