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。

本文介绍了多模态模型LLaVA及其改进版本LLaVAR，结合图像和文本数据，显著提升了视觉指令调优和视频质量评估（VQA）的性能。研究提出了新的数据收集方法和框架，增强了模型的指令跟随能力，并在多个基准测试中取得了优异成绩。

本文探讨了视频质量评估及多模态模型的能力，提出了MaxVQA和Video-MME等新方法，评估视频理解和分析能力，发现现有模型在编辑视频上表现不佳。同时，引入了针对长视频的InfiniBench基准，以提升多模态模型的理解能力。

本文综述了视频质量评估的最新研究进展，包括高帧率视频的盲评估模型FAVER、UGC直播视频质量数据库及评估工具、全向视频质量评估方法等。研究表明，多模态融合策略和深度强化学习算法能有效提升视频质量预测的准确性和能效。

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。

本研究探讨了人工智能生成内容（AIGC）视频的质量评估，提出了综合评估模块，分析了不同生成模型的视觉质量和流畅度差异。研究开发了AIGCBench基准测试，专注于图像到视频生成，并在AIS 2024视频质量评估挑战中表现优异。通过新颖的特征提取方法，提升了用户生成内容的质量评估，强调了动作质量在AI生成视频中的重要性。

本文探讨了无参考视频质量评估（NR VQA）问题，提出了ReLaX-VQA和FAST-VQA等多种模型，利用深度学习技术提高视频质量评估的准确性。研究创建了包含39,000个失真视频的数据库，并在多个UGC数据集上验证了模型的优越性，显示出良好的应用前景。

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。

本研究利用计算机视觉和神经网络评估潜水行动质量，生成详细报告并提供客观评分。同时探讨了知识转移和迁移学习在视频质量评估中的应用，提出多种新模型和数据集，以提高用户生成内容的质量评估效率。

本文提出了一种模型基础的迁移学习方法，将图像质量评估知识应用于视频质量评估。通过混合列表排序损失函数进行训练，实验证明该方法在多个数据库上表现优异。此外，提出的新型盲视频质量评估模型结合了空间和时间特征，优化了视频质量表示，具有较低的计算复杂性和更快的收敛速度。

本文提出了一种增强社交媒体视频盲视频质量评估（BVQA）模型，利用预训练的盲图像质量评估特征，结合基本质量预测器、空间和时间矫正器来评估视频质量。该模型通过迁移学习和深度学习框架，在多个数据库上表现优异，能够有效处理复杂失真和多样内容。

本文提出了多种图像和视频质量评估方法，包括基于文本的语义相关质量评价（SAQI）和无参考图像质量评估。通过结合语言指导和多模态框架，提升了评估的准确性和泛化能力，并在多个数据集上展示了优越性能。

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。