VMAF v1 更新旨在解决旧版在视频质量评估中的系统性误差,特别是对低码率编码的敏感性。新模型考虑观看距离和终端场景,增强对非自然增强行为的敏感度,确保评分更符合观众实际感受。这次更新提升了模型的准确性,强调了视频质量评估的重要性,提醒行业关注用户体验。
By Christos G. Bampis, Zhi Li, Kyle Swanson, Nil Fons Miret and Pavan MadhusudanaraoWill this encode look good to Netflix members? Does switching to a new codec improve quality at the same bitrate...
VisualOn与Cires21在NAB 2026大会上发布白皮书,展示了VisualOn Optimizer在提升视频体验质量方面的成果。研究表明,该技术在低分辨率和码率下显著改善画质,尤其适用于移动端观看。NVIDIA NVENC表现优异,VMAF得分提升,优化器有效提升低码率视频的用户体验并节省带宽。
本研究分析了33种图像和视频质量指标的对比敏感性,发现现有指标如VMAF和MS-SSIM存在不足,为新质量指标的评估提供了标准。
视频编码会导致质量损失,尤其是在进行有损压缩时。感知质量(PQ)用于衡量编码视频与原始视频的相似度,常用的PQ测量方法包括PSNR、SSIM和VMAF。VMAF在行业中广泛应用,94分被视为流媒体的良好质量标准。选择合适的PQ目标对用户体验至关重要。
本文介绍了一种基于掩码图像建模的MAE-lite pre-training方法,用于轻量级ViTs的pre-training,并分析了该方法的影响和pre-trained模型在数据充足的下游任务中的重要作用。同时,还开发了一种distillation策略来提高pre-trained representations的性能。
完成下面两步后,将自动完成登录并继续当前操作。