移動平台上的視頻主觀質量評價

• 2019 年 10 月 7 日
• 筆記

本文是來自MHV(Mile High Video)2019的演講，演講者來自於Twitter公司的Sebastiaan Van Leuven。本次演講主要講述如何評價移動端上播放視頻的用戶體驗。

Sebastiaan首先介紹了對視頻測試平均意見分數（Mean Opinion Score）的方法及其優缺點。第一種方法是絕對類別評級（Absolute Category Rating）:向受試者隨即展示一段視頻，受試者直接在1到5的區間內打分，然後一直重複。這種辦法最簡單，易於操作，但測試結果不精確，非線性，在不同的測試組中結果不一致，而且測試往往需要大量的受試者。另一種方法是雙刺激MOS（Double Stimulus MOS）：隨機選擇一段視頻，向受試者分別展示原視頻和損傷視頻，受試者直接在1到5的區間內打分，一直重複直至測試完成。這種方法結果一致性高於MOS，但測試結果同樣不精確，非線性，且需要大量打分者。

接下來Sebastiaan介紹了參照標度的設計（Referenced Scale Design），其目的是設計一個線性單調遞增的感知質量標度。他們對視頻集在不同分辨率和碼率下進行編碼，然後創建PSNR曲線的凸包，然後選取50個對數間隔的分數點，然後以這些點中間位置對應的碼率和分辨率重新對視頻進行編碼，得到最初參考視頻集。受試者對最初參考集中的視頻成對打分，使用梯度下降推斷相對感知質量，從感知質量軸中選擇50個線性間隔的樣本，在中間位置對新樣本進行編碼，以改善參考視頻集。

最後，Sebastiaan介紹了自適應成對比較（Adaptive Paired Comparison）。當我們有了質量呈線性分佈的參照視頻後，便可將其作為對照對某一視頻進行打分。首先隨機選取一個視頻，用粒子濾波算法從參照視頻中選擇一個，向受試者展示兩個視頻並詢問哪個視頻看起來更好，然後更新主觀質量的概率分佈。在對所有樣本打分後得到測試視頻相比於所有參考視頻的優劣情況，對以上數據進行邏輯回歸，具有50％概率的交點對應的參考視頻等級即為觀察到的質量水平。

附上演講視頻：

演講PPT全文