本研究提出了一种IC2VQA跨模态攻击方法，旨在提高现代视频质量评估模型的对抗样本可转移性。通过在白箱图像质量评估模型中引入CLIP模块，实验结果表明，该方法在攻击黑箱VQA模型时的成功率显著提升，推动了稳健VQA度量的分析。

本研究提出了VQA2指令数据集，专注于视频质量评估的视觉问答。基于该数据集开发的VQA2系列模型在视频质量评分任务中表现优异，超越了GPT-4o，展现出良好的多功能性。

该研究构建了一个大规模的视频质量评估数据库，包含585个用户捕捉的独特视频。通过众包收集了4776个参与者的主观视频质量分数，共产生了205000条意见分数。通过比较领先的NR视频质量预测器，证明了该资源的价值。这是有史以来最大的视频质量评估研究。

本文提出了一种模块化BVQA模型，用于视频质量评估。该模型包括基础质量预测模块、空域矫正模块和时域矫正模块，能够准确评估视频质量的视觉内容和失真、空域分辨率和时域帧率变化。实验结果表明，该模型在专业生成的内容和用户生成的内容上表现优于当前方法。模型还可以轻松添加其他与质量相关的视频属性。

本研究通过引入经过多个图像质量评估数据集预训练的增强空间感知模块和轻量级的时域融合模块，实现了非参考视频质量评估。