RAPIQUE
前面的基于统计的视频质量模型被证明能够捕捉负责的UGC扭曲,比如FRIQUEE。然而这些模型受限于耗时的执行,因为这些或者要求昂贵的动作估计或者高维的统计特征。CNN模型能高效地捕捉高级的特征,高级信息是有用的质量指示器,但是直接将CNN用在高分辨率的视频帧是是昂贵的。
我们提出一个有效的2分支框架。这个看见结合了质量、低级NSS特征和高级、语义的CNN特征。NSS特征在更高分辨率的看见和时间带通特征maps是运行,处于实际情况的考虑,CNN特征提取器被应用到一个调整后的低分辨率帧,
我们在提取特征的时候,用了一个稀疏的帧采样策略,这进一步加速了运行时长。
NSS natural statistic scene
自然图像的空间小波/子带系数呈现了强的规律性,在DNT。 一个简单但有些的DN形式是mean subtraction and contrast normalization(MSCN),它被观察到在多种特征变换中精准地提取图像自然的特征。我们跟随FRIQUEE的方法发展基于NSS的特征,它能影响多种感知相关的特征变换,进而提取出大量的统计特征。PRAPIQUE使用简单但有效的低级带通统计量,实现了和FRIQUEE中复杂耗时的高阶特征相当的表现。空间近邻MSCN应答、B中log统计量的产物,我们被成功且有效的基础特征所鼓舞。
让Y(i,j)是一个给定的强度弹性或者转换后的特征图。MSCN如下: