CN115510271A - 一种面向内容的动画视频无参考质量评价方法 - Google Patents
一种面向内容的动画视频无参考质量评价方法 Download PDFInfo
- Publication number
- CN115510271A CN115510271A CN202110697774.4A CN202110697774A CN115510271A CN 115510271 A CN115510271 A CN 115510271A CN 202110697774 A CN202110697774 A CN 202110697774A CN 115510271 A CN115510271 A CN 115510271A
- Authority
- CN
- China
- Prior art keywords
- video
- neural network
- videos
- network model
- quality evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000006835 compression Effects 0.000 claims description 32
- 238000007906 compression Methods 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 230000008447 perception Effects 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000002860 competitive effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 12
- 238000012360 testing method Methods 0.000 abstract description 11
- 238000013527 convolutional neural network Methods 0.000 abstract description 7
- 238000011056 performance test Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000015041 syndromic microphthalmia 10 Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种面向内容的动画视频无参考质量评价方法。首先，建立一个CG动画视频质量数据库，对视频样本进行特征向量的提取和标注，将数据库中的样本分为训练集和测试集两部分；其次，利用训练集对基于卷积神经网络的视频内容分类器进行训练，训练中，输入的是视频的帧图像，输出是视频的内容类别；然后，利用训练集中的每一类视频分别训练一个相应的基于BP神经网络的质量评分模型，训练中，输入的是视频的特征向量，输出是视频的质量分数；最后，应用训练好的卷积神经网络和BP神经网络实现一种面向内容的CG动画视频无参考质量评价方法，并在测试集上进行性能测试。
Description
技术领域
本发明涉及视频编码中的视频质量评价技术领域，尤其涉及一种面向内容的动画视频无参考质量评价方法。
背景技术
近年来，计算机图形(Computer graphics,CG)技术日渐成熟并被广泛应用于数字电影、网络游戏、增强现实等多个领域。虽然CG技术发展迅速，但经过渲染、压缩、传输等多个处理环节，视频质量的损失仍然无法避免，各个环节中累积产生的质量损失势必严重影响用户最终的视觉体验。
无参考视频质量评价是在参考视频不可使用时的视频质量评价方法。一般来说，实际场景中通常难以获取无失真的完美参考视频，就CG视频而言，通过渲染、色调映射等图形处理方法，创建视频的无失真版本需要由几何建模得到的表面网格、体积网格等抽象3D数据，该过程相当复杂且耗时。因此，无参考质量评价对于CG视频而言具有非常重要的实用价值。
不同种类的视频大多具有鲜明的特征，因此，针对特定类型视频的视频质量评价结果往往更加准确。已经有研究人员提出了一些针对CG视频的全参考视频质量评价方法和针对3D CG数据的视觉质量指标，然而，到目前为止，依然没有针对CG动画视频的无参考质量评价方法。
目前，构建无参考视频质量评估模型的典型思路是提取视频特征并在特征和视频质量之间建立联系。由特征向量到最终质量分数的映射过程可以通过支持向量机和BP神经网络等回归模型的训练完成。此外，由于内容是视频的基本属性，在人类感知中起着重要作用，理想的视频质量评价方法应该充分考虑视频内容和人眼视觉系统的感知特征对评价结果的影响。
发明内容
本发明的目的在于填补当前动画视频质量评价技术领域的空白，提供一种计算简单且性能优异的面向内容的动画视频无参考质量评价方法。
为实现上述目的，本发明的技术方案是：一种面向内容的动画视频无参考质量评价方法，该方法包括以下步骤：
利用质量无损的参考视频生成失真视频样本，建立动画视频数据库；
对视频数据库中的视频进行分类标注，形成第一训练数据集；将视频作为输入，视频对应的分类作为输出，训练得到具有视频分类功能的第一神经网络模型；
对视频数据库中的每一类视频进行质量评价分数标注，并计算出每一类视频的时空特征，形成第二训练数据集；将每一类视频的时空特征作为神经网络模型的输入，视频对应的质量评价分数作为神经网络模型的输出，训练得到具有计算视频质量评价分数功能的第二神经网络模型；
将待分类的视频输入到第一神经网络模型中得到分类结果，将确定的分类视频输入到对应的第二神经网络模型中得到待分类的视频无参考质量评价分数。
优选的，所述失真视频样本类型包括5种基于编码压缩的失真类型和1种基于传输的失真类型：AVC/H.264压缩失真、HEVC/H.265压缩失真、MPEG-2压缩失真、MJPEG全帧内压缩失真、基于小波变换的Snow压缩失真、白噪声失真。
优选的，时空特征具体包括以下5类特征中的一种或多种：(1)基于可察觉模糊的模糊程度值，(2)局部对比度，(3)基于感兴趣区域的统计特征值，(4)时域信息熵，(5)基于运动对比度敏感函数的运动感知特征值。
优选的，根据视频内容，动画视频数据库中的视频分别为如下5种类别：(1)人物与人脸视频，(2)特效视频，(3)背景前的物体视频，(4)多人在线战术竞技游戏视频，(5)风景与建筑视频。
此外，本发明还提出一种面向内容的动画视频无参考质量评价系统，该系统包括如下模块：
视频构建模块，利用质量无损的参考视频生成失真视频样本，建立动画视频数据库；
第一神经网络模型训练模块，对视频数据库中的视频进行分类标注，形成第一训练数据集；将视频作为输入，视频对应的分类作为输出，训练得到具有视频分类功能的第一神经网络模型；
第二神经网络模型训练模块，对视频数据库中的每一类视频进行质量评价分数标注，并根据人眼感知特性计算出每一类视频的时空特征，形成第二训练数据集；将每一类视频的时空特征作为神经网络模型的输入，视频对应的质量评价分数作为神经网络模型的输出，训练得到具有计算视频质量评价分数功能的第二神经网络模型；
评价分数确定模块，将待分类的视频输入到第一神经网络模型中得到分类结果，将确定的分类视频输入到对应的第二神经网络模型中得到待分类的视频无参考质量评价分数。
优选的，所述失真视频样本类型包括5种基于编码压缩的失真类型和1种基于传输的失真类型：AVC/H.264压缩失真、HEVC/H.265压缩失真、MPEG-2压缩失真、MJPEG全帧内压缩失真、基于小波变换的Snow压缩失真、白噪声失真。
优选的，时空特征具体包括以下5类特征中的一种或多种：(1)基于可察觉模糊的模糊程度值，(2)局部对比度，(3)基于感兴趣区域的统计特征值，(4)时域信息熵，(5)基于运动对比度敏感函数的运动感知特征值。
优选的，动画视频数据库中的视频分别为如下5种类别：(1)人物与人脸视频，(2)特效视频，(3)背景前的物体视频，(4)多人在线战术竞技游戏视频，(5)风景与建筑视频。
本发明还提出一种计算机设备，该计算机设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现所述的一种面向内容的动画视频无参考质量评价方法的步骤。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种面向内容的动画视频无参考质量评价方法的步骤。
有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：
(1)本发明开创性地提出了针对CG动画视频的无参考质量评价方法，填补了此前该技术领域的空白；
(2)建立CG动画视频质量数据库，数据库中的样本包含不同场景、不同分辨率、不同帧率、不同失真类型，丰富的样本为网络模型的训练和视频质量评价方法的性能验证提供了有力支撑；
(3)本发明分别针对不同内容类型的CG动画视频训练相应的质量评分模型，并在在充分考虑了各项CG动画视频时域空域的感知特征后，选择具有代表性的5种特征作为评分模型的输入，从而获得了更加符合人眼视觉特性的质量评价结果。
附图说明
图1为本发明所述方法的基本流程图；
图2为基于卷积神经网络的视频内容分类器结构图；
图3为基于BP神经网络的质量评分模型结构图；
图4为实验结果展示图。
具体实施方式
下面结合附图，对本发明的具体实施过程进行详细说明。
本发明所述的一种面向内容的CG动画视频无参考质量评价方法，如图1所示，包括如下步骤：
步骤S1：建立CG动画视频质量数据库；
步骤S11：利用质量无损的参考视频生成失真视频样本；
本步骤中，所采用的质量无损的CG动画参考视频涵盖了包括游戏和电影在内的广泛场景。所采用的视频均为高清视频，包括1270×720(720p)、1920×1080(1080p)、3840×2160(4K UHD)、4096×2160(DCI 4K)共4种分辨率。所采用视频包括3种不同帧率：24fps、30fps、60fps。
通过对参考视频进行编码压缩和加入噪声，生成不同类型的失真视频，具体来说，失真类型包括5种基于编码压缩的失真类型和1种基于传输的失真类型：AVC/H.264压缩失真、HEVC/H.265压缩失真、MPEG-2压缩失真、MJPEG全帧内压缩失真、基于小波变换的Snow压缩失真、白噪声失真。
步骤S12：提取视频样本的12个时空特征，构成特征向量F＝[f1,f2,...,f12]，并对各坐标进行归一化处理；
本步骤中，针对CG动画视频的特点，并结合考虑人眼感知特性，采用以下5种特征对视频样本进行描述：(1)基于恰可察觉模糊的模糊程度，(2)局部对比度，(3)基于感兴趣区域的统计特征，(4)时域信息熵，(5)基于运动对比度敏感函数的运动感知特征，这5种特征包含了12个具体的时空特征。
(1)基于恰可察觉模糊的模糊程度
利用JNBNRISM(Just Noticeable Blur based No-Reference Image SharpnessMetric)算法计算每个视频样本中每一帧的模糊程度，将视频帧的模糊程度的平均值和最大值作为该视频样本的两个特征值，分别记作f1和f2。
(2)局部对比度
令It为当前视频样本的第t帧，It上像素点(i,j)的局部对比度LocalContrastt(i,j)计算如下：
其中，It(i+m,j+n)和It(i,j)分别表示It上像素点(i+m,j+n)和(i,j)的灰度值。
设当前视频样本共有N帧，分辨率为W×H，第3、4个特征值计算如下：
f4＝max{LocalContrastt(i,j)}。
(3)基于感兴趣区域的统计特征
本步骤中，首先，利用视觉显著性算法SIM(Saliency for Image Manipulation)计算视频样本每一帧上的像素点的显著性值，并通过设置阈值来判断每一帧中的感兴趣区域和非感兴趣区域(Regions of Interest,ROI)。
然后，分别计算感兴趣区域与非感兴趣区域的局部归一化亮度系数(MeanSubtracted Contrast Normalized Coefficients,MSCN)这一统计信息，并利用广义高斯分布(Generalized Gaussian Distribution,GGD)分别对第t帧中感兴趣区域与非感兴趣区域的MSCN进行拟合，可得到参数αROI,t,
αnotROI,t和
其中α和σ2表示GGD的形状参数和方差参数，下标ROI和notROI表明参数对应于感兴趣区域与非感兴趣区域。最后，设当前视频样本共有N帧，所述第5-8个特征值计算如下：
(4)时域信息熵
信息熵常被用来作为反映图像中信息含量的量化指标，记视频样本第t和t+1帧为It和It+1，则第t帧的帧差图像Difft为：
Difft＝It+1-It
Difft的信息熵记作Entropyt。
设当前视频样本共有N帧，其帧率为fps，所述第9和第10个特征值计算如下：
其中，
为第l秒内Entropyt的平均值。
(5)基于运动对比度敏感函数的运动感知特征
设当前视频样本共有N帧，每帧共有M个宏块，第t帧中的第k个宏块的运动矢量、时间频率和角频率分别为MVt,k、φt,k和ψt,k。本步骤将第t帧中的第k个宏块的运动对比度敏感函数(Motion Contrast Sensitivity Function,MCSF)作为加权因子，并将其与运动矢量的范数相乘从而得到对该宏块的运动感知信息量MotionSenset,k：
为了降低场景切换对运动信息估计的影响，本步骤定义视频样本中不涉及场景切换的全体帧为集合T：
T＝{t|MSE(It,It+1)≤Threshold,t＝1,2,…,N-1}
其中，MSE(It,It+1)为第t帧和t+1帧之间的均方误差，Threshold为预先设置的阈值。
所述第11和第12个特征值计算如下：
步骤S13：将CG动画视频的内容分为5个类别，对视频样本的内容类别进行标注；
本步骤中，视频样本根据不同的视频内容被标注为如下5种类别之一：(1)人物与人脸(Character and Face,CF)、特效(Gorgeous Special Effects,GSE)、背景前的物体(Items in front of Simple Background,ISB)、多人在线战术竞技游戏(MultiplayerOnline Battle Arena,MOBA)、风景与建筑(Scenery and Architecture,SA)。其中，CF视频中人物表情有较为明显的变化；GSE视频具有色彩丰富多变的场景，能够表现出很强的掩蔽效应；ISB视频依靠锐利边缘来表现物体信息；MOBA视频具有更高的帧率与更加清晰的图像细节。
步骤S14：对视频样本的质量分数进行标注；
本步骤中，为保证数据库建立的规范性，采用ITU-R所提出的BT.500建议书来进行操作，并使用单一刺激法(Single Stimulus,SS)播放样本视频，参加评分标注的观测者至少需要20名，观测者对其进行打分。质量评分测度是5分制，1到5分分别表示视频的质量非常差、差、还可以、好、非常好。最终求出观测者的最后求得平均意见分(Mean OpinionScore,MOS)作为视频样本的质量分数。
之前提取的特征和本步骤标注的平均意见得分MOS可构成基于BP神经网络的质量评分模型的输入与输出对，用于训练和测试。
步骤S15：抽取数据库中3/4的样本作为训练集，其余1/4作为测试集；
步骤S2：利用训练集对基于卷积神经网络的视频内容分类器进行训练，训练中，输入的是下采样处理的视频帧图像，输出是视频的内容类别；
基于卷积神经网络的视频内容分类器结构图如图2所示，Conv(5,32,1)表示卷积核大小为5×5、输出通道为32、步长为1的卷积运算，图中其他Conv符号含义以此类推。MaxPooling表示最大化池化操作。下方带有数字的层为全连接层，且数字表示该层的神经元数量。神经网络所使用的激活函数均为ReLU，使用的损失函数为交叉熵损失函数。
步骤S3：利用训练集为每个类别的CG动画视频分别训练一个相应的基于BP神经网络的质量评分模型，训练中，输入的是视频的特征向量，输出是视频的质量分数；
本步骤共需训练5个基于BP神经网络的质量评分模型，每个模型对应一种视频内容。基于BP神经网络的质量评分模型结构图如图3所示，为了使模型具有高效地运行速度，BP神经网络只包含一个具有10个神经元的层隐含层。
步骤S4：应用训练好的卷积神经网络和BP神经网络实现一种面向内容的CG动画视频无参考质量评价方法，并在测试集上进行性能测试；
步骤S41：利用基于卷积神经网络的视频内容分类器确定测试视频样本的内容类别；
步骤S42：根据测试样本的内容类别，选择相应的基于BP神经网络的质量评分模型，将测试样本的特征向量输入其中，输出所预测的质量分数。
通过画出测试集上所预测的质量分数和真实标注的质量分数(MOS)之间散点图，并计算他们之间的Pearson线性相关系数(PLCC)和Spearman秩相关系数(SRCC)，PLCC和SRCC是介于-1到1之间的数值，当其值大于预设阈值，通常设为0.9，则说明质量评价模型的分数预测值接近真实值，模型的性能好，满足要求。
通过对5类(CF、GSE、ISB、MOBA、SA)失真视频样本的测试，准确性结果如图4所示，其中黑色线是最佳拟合情况，阴影区域是95％置信度范围，区域越小，则散点距离回归线越近，评价越准确。实际上，在实验过程中，PLCC值和SRCC值在几乎整个测试集的所有类别视频中都约等于或大于0.9，这说明本发明提出的一种面向内容的CG动画视频无参考质量评价方法具有极高的准确性。
上述具体实施方式仅表达了本发明的一种实施形式，其描述较为具体和详细，但该实施方式并不代表对发明专利范围的限制。需要特别说明的是，对于本领域的其他技术人员而言，在不脱离本发明构思的前提下，仍可做出若干的变形和改进，对于此类目前无法预知的替代方案或针对现有方案的修改，都属于本发明的保护范围。
Claims (10)
1.一种面向内容的动画视频无参考质量评价方法，其特征在于，该方法包括以下步骤：
利用质量无损的参考视频生成失真视频样本，建立动画视频数据库；
对视频数据库中的视频进行分类标注，形成第一训练数据集；将视频作为输入，视频对应的分类作为输出，训练得到具有视频分类功能的第一神经网络模型；
对视频数据库中的每一类视频进行质量评价分数标注，并计算出每一类视频的时空特征，形成第二训练数据集；将每一类视频的时空特征作为神经网络模型的输入，视频对应的质量评价分数作为神经网络模型的输出，训练得到具有计算视频质量评价分数功能的第二神经网络模型；
将待分类的视频输入到第一神经网络模型中得到分类结果，将确定的分类视频输入到对应的第二神经网络模型中得到待分类的视频无参考质量评价分数。
2.根据权利要求1所述的一种面向内容的动画视频无参考质量评价方法，其特征在于，所述失真视频样本类型包括5种基于编码压缩的失真类型和1种基于传输的失真类型：AVC/H.264压缩失真、HEVC/H.265压缩失真、MPEG-2压缩失真、MJPEG全帧内压缩失真、基于小波变换的Snow压缩失真、白噪声失真。
3.根据权利要求1所述的一种面向内容的动画视频无参考质量评价方法，其特征在于，时空特征具体包括以下5类特征中的一种或多种：(1)基于可察觉模糊的模糊程度值，(2)局部对比度，(3)基于感兴趣区域的统计特征值，(4)时域信息熵，(5)基于运动对比度敏感函数的运动感知特征值。
4.根据权利要求1所述的一种面向内容的动画视频无参考质量评价方法，其特征在于，根据视频内容，动画视频数据库中的视频分别为如下5种类别：(1)人物与人脸视频，(2)特效视频，(3)背景前的物体视频，(4)多人在线战术竞技游戏视频，(5)风景与建筑视频。
5.一种面向内容的动画视频无参考质量评价系统，其特征在于，该系统包括如下模块：
视频构建模块，利用质量无损的参考视频生成失真视频样本，建立动画视频数据库；
第一神经网络模型训练模块，对视频数据库中的视频进行分类标注，形成第一训练数据集；将视频作为输入，视频对应的分类作为输出，训练得到具有视频分类功能的第一神经网络模型；
第二神经网络模型训练模块，对视频数据库中的每一类视频进行质量评价分数标注，并根据人眼感知特性计算出每一类视频的时空特征，形成第二训练数据集；将每一类视频的时空特征作为神经网络模型的输入，视频对应的质量评价分数作为神经网络模型的输出，训练得到具有计算视频质量评价分数功能的第二神经网络模型；
评价分数确定模块，将待分类的视频输入到第一神经网络模型中得到分类结果，将确定的分类视频输入到对应的第二神经网络模型中得到待分类的视频无参考质量评价分数。
6.根据权利要求5所述的一种面向内容的动画视频无参考质量评价系统，其特征在于，所述失真视频样本类型包括5种基于编码压缩的失真类型和1种基于传输的失真类型：AVC/H.264压缩失真、HEVC/H.265压缩失真、MPEG-2压缩失真、MJPEG全帧内压缩失真、基于小波变换的Snow压缩失真、白噪声失真。
7.根据权利要求5所述的一种面向内容的动画视频无参考质量评价系统，其特征在于，时空特征具体包括以下5类特征中的一种或多种：(1)基于可察觉模糊的模糊程度值，(2)局部对比度，(3)基于感兴趣区域的统计特征值，(4)时域信息熵，(5)基于运动对比度敏感函数的运动感知特征值。
8.根据权利要求5所述的一种面向内容的动画视频无参考质量评价系统，其特征在于，，动画视频数据库中的视频分别为如下5种类别：(1)人物与人脸视频，(2)特效视频，(3)背景前的物体视频，(4)多人在线战术竞技游戏视频，(5)风景与建筑视频。
9.一种计算机设备，其特征在于，该计算机设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-4所述的一种面向内容的动画视频无参考质量评价方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4所述的一种面向内容的动画视频无参考质量评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697774.4A CN115510271B (zh) | 2021-06-23 | 2021-06-23 | 一种面向内容的动画视频无参考质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697774.4A CN115510271B (zh) | 2021-06-23 | 2021-06-23 | 一种面向内容的动画视频无参考质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115510271A true CN115510271A (zh) | 2022-12-23 |
| CN115510271B CN115510271B (zh) | 2024-04-30 |
Family
ID=84499567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110697774.4A Active CN115510271B (zh) | 2021-06-23 | 2021-06-23 | 一种面向内容的动画视频无参考质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115510271B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101304478A (zh) * | 2007-05-09 | 2008-11-12 | 松下电器产业株式会社 | 图像质量调整装置、图像质量调整方法和程序 |
| CN101977311A (zh) * | 2010-11-03 | 2011-02-16 | 上海交通大学 | 基于多特征分析的cg动画视频检测方法 |
| CN107959848A (zh) * | 2017-12-08 | 2018-04-24 | 天津大学 | 基于三维卷积神经网络的通用型无参考视频质量评价算法 |
| CN109816625A (zh) * | 2018-11-27 | 2019-05-28 | 广东电网有限责任公司 | 一种视频质量评分实现方法 |
| CN109859157A (zh) * | 2018-11-16 | 2019-06-07 | 天津大学 | 基于视觉注意特征的全参考图像质量评价方法 |
| CN110517237A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于膨胀三维卷积神经网络的无参考视频质量评价方法 |
| CN111182292A (zh) * | 2020-01-05 | 2020-05-19 | 西安电子科技大学 | 无参考视频质量评估方法、系统、视频接收器、智能终端 |
| CN111369548A (zh) * | 2020-03-10 | 2020-07-03 | 江南大学 | 一种基于生成对抗网络的无参考视频质量评价方法及装置 |
| CN112085102A (zh) * | 2020-09-10 | 2020-12-15 | 西安电子科技大学 | 基于三维时空特征分解的无参考视频质量评价方法 |
| CN112784698A (zh) * | 2020-12-31 | 2021-05-11 | 杭州电子科技大学 | 基于深层次时空信息的无参考视频质量评价方法 |
-
2021
- 2021-06-23 CN CN202110697774.4A patent/CN115510271B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101304478A (zh) * | 2007-05-09 | 2008-11-12 | 松下电器产业株式会社 | 图像质量调整装置、图像质量调整方法和程序 |
| CN101977311A (zh) * | 2010-11-03 | 2011-02-16 | 上海交通大学 | 基于多特征分析的cg动画视频检测方法 |
| CN107959848A (zh) * | 2017-12-08 | 2018-04-24 | 天津大学 | 基于三维卷积神经网络的通用型无参考视频质量评价算法 |
| CN109859157A (zh) * | 2018-11-16 | 2019-06-07 | 天津大学 | 基于视觉注意特征的全参考图像质量评价方法 |
| CN109816625A (zh) * | 2018-11-27 | 2019-05-28 | 广东电网有限责任公司 | 一种视频质量评分实现方法 |
| CN110517237A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于膨胀三维卷积神经网络的无参考视频质量评价方法 |
| CN111182292A (zh) * | 2020-01-05 | 2020-05-19 | 西安电子科技大学 | 无参考视频质量评估方法、系统、视频接收器、智能终端 |
| CN111369548A (zh) * | 2020-03-10 | 2020-07-03 | 江南大学 | 一种基于生成对抗网络的无参考视频质量评价方法及装置 |
| CN112085102A (zh) * | 2020-09-10 | 2020-12-15 | 西安电子科技大学 | 基于三维时空特征分解的无参考视频质量评价方法 |
| CN112784698A (zh) * | 2020-12-31 | 2021-05-11 | 杭州电子科技大学 | 基于深层次时空信息的无参考视频质量评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| WEIZHI XIAN等: "A content-oriented no-reference perceptual video quality assessment method for computer graphics animation videos", 《INFORMATION SCIENCES》, 31 August 2022 (2022-08-31), pages 1731 - 1746 * |
| 朱秀昌等: "可视质量评价方法综述", 南京邮电大学学报(自然科学版), no. 04, 6 September 2018 (2018-09-06), pages 1 - 11 * |
| 谭娅娅等: "基于深度学习的视频质量评价研究综述", 《计算机科学与探索》, 11 September 2020 (2020-09-11), pages 423 - 437 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115510271B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Deep CNN-based blind image quality predictor | |
| Gu et al. | Multiscale natural scene statistical analysis for no-reference quality evaluation of DIBR-synthesized views | |
| Yang et al. | Perceptual quality assessment of screen content images | |
| Gu et al. | Hybrid no-reference quality metric for singly and multiply distorted images | |
| Sun et al. | Deep learning based full-reference and no-reference quality assessment models for compressed ugc videos | |
| Appina et al. | Study of subjective quality and objective blind quality prediction of stereoscopic videos | |
| CN109978854B (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
| CN112102212B (zh) | 一种视频修复方法、装置、设备及存储介质 | |
| CN110443800B (zh) | 视频图像质量的评价方法 | |
| Su et al. | Image inpainting for random areas using dense context features | |
| CN107767363A (zh) | 一种基于自然场景的无参考高动态图像质量评价算法 | |
| CN111079864A (zh) | 一种基于优化视频关键帧提取的短视频分类方法及系统 | |
| Diniz et al. | Point cloud quality assessment based on geometry-aware texture descriptors | |
| CN112950596A (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
| CN110717892A (zh) | 一种色调映射图像质量评价方法 | |
| Liu et al. | Spatio-temporal interactive laws feature correlation method to video quality assessment | |
| Xian et al. | A content-oriented no-reference perceptual video quality assessment method for computer graphics animation videos | |
| CN115131229A (zh) | 图像降噪、滤波数据处理方法、装置和计算机设备 | |
| Saha et al. | Perceptual video quality assessment: The journey continues! | |
| Da et al. | Perceptual quality assessment of nighttime video | |
| CN115510271B (zh) | 一种面向内容的动画视频无参考质量评价方法 | |
| Fatima et al. | Grey is the new RGB: How good is GAN-based image colorization for image compression? | |
| Chang et al. | Image Quality Evaluation Based on Gradient, Visual Saliency, and Color Information | |
| CN116980549A (zh) | 视频帧处理方法、装置、计算机设备和存储介质 | |
| CN116524387A (zh) | 一种基于深度学习网络的超高清视频压缩损伤等级评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |