无参考质量评估在许多无法取得参考信息的实际系统中应用广泛且十分重要,本文整理自腾讯音视频实验室的高孟平在LiveVideoStackCon 2019上海大会中的分享,详细介绍了腾讯音视频实验室团队如何以客观的无参考质量评价,闭环指导视频增强演算法的适配,达到最佳的人眼视觉喜好效果。
文 / 高孟平
整理 / LiveVideoStack
大家好,我是来自腾讯音视频实验室的高孟平,本次与大家分享的主题是无参考质量评估在视频增强的进展与应用,无参考质量评估在许多无法取得参考信息的实际系统中应用广泛且十分重要,在演讲中将借由腾讯丽影视频服务平台的实践经验,分享如何以客观的无参考质量评价,闭环指导视频增强演算法的适配,达到最佳的人眼视觉喜好效果。面向以人眼视觉为标准,从事图像或视频增强的演算法工程师们,希望可以从中激发新的想法,并一起推动无参考质量评估在人眼视觉的更多应用。
1. Why Non-Reference Quality
Assessment?
大家可能对有参考质量评估有一定了解,某些有参考评价在应用上会有所限制,甚至在视频增强领域会存在不适应性,因此在第一阶段内容里会提到腾讯在无参考质量评估方面投入的原因以及想要去解决的一些问题,同时也会为大家列举几个在业界常用的有参考/无参考、传统学习/ 深度学习的质量评估方案。第二阶段会为大家介绍目前腾讯在使用的无参考质量评价,运用Rank Learning基于深度学习解决视频清晰度的打分方案。最后会对未来技术发展可能性和可能会遇到的挑战做一些总结。
1.1 Tencent Liyin
最近腾讯音视频实验室推出的人眼感知视频服务平台Tencent Liying把视频服务分为以下几个部分,分别为视频理解、视频处理、视频编解码/传输和质量评估。Enhancement是指视频处理中的视频增强(视频超分、清晰度增强、降噪等)部分,视频处理过程中如果有引入视频增强的操作,传统的全参考评价都没办法反映出视频修复增强的效果,因为全参考评价的设计指标就是与原视频无限接近才能够达到满分,这样不能反映人眼主观的MOS (Mean Opinion Score) 分数。