图像主观质量评价 评分_揭秘 VMAF 视频质量评测标准

导读：阿里云视频云直播转码每天都会处理大量的不同场景、不同编码格式的直播流。为了保证高画质，团队借助 VMAF 标准来对每路转码的效果做质量评估，然后进行反馈、调优、迭代。这么做的原因在于，像动作片、纪录片、动画片、体育赛事这些场景，影响画质的因素各不相同，基于 VMAF 的视频质量反馈机制，可以在保证画质的前提下，对不同的场景做针对性优化，达到画质最优、成本最低的效果。

作者：杨洋，阿里云技术专家 从事直播相关媒体处理引擎开发

背景

图像质量的衡量是个老问题，对此人们提出过很多简单可行的解决方案。例如均方误差(Mean-squared-error，MSE)、峰值信噪比(Peak-signal-to-noise-ratio，PSNR)以及结构相似性指数(Structural Similarity Index，SSIM)，这些指标最初都是被用于衡量图像质量的，随后被扩展到视频领域。 这些指标通常会用在循环用在编码内部， 可用于对编码决策进行优化并估算最终编码后视频的质量。但是由于这些算法衡量标准单一，缺乏对画面前后序列的总体评估，导致计算的结果很多情况下与主观感受并不相符。

视频质量

阿里云视频云每天都会生产、处理大量来自不同应用场景、不同编码类型的视频数据。除了采用窄带高清等技术以外，我们还会借助 VMAF 标准对处理后的视频做质量评估，形成 媒体生产-->画质评估-->编码优化-->产品迭代 的技术闭环。基于这套反馈机制，对不同的场景做针对性优化，达到画质最优、成本最低的效果。

VMAF 介绍

面对不同特征的源内容、失真类型，以及扭曲程度，每个基本指标都各有优劣，缺少一个通用的、能反应主观意识的画质评估手段。VMAF (Video Multimethod Assessment Fusion) 由 Netflix 开发并开源，利用大量的主观数据作为训练集，通过机器学习的手段将不同评估维度的算法进行“融合”，得到一个能准确反映主观意志的画质评价标准。 VMAF 主要包括3种指标：visual quality fidelity(VIF)、detail loss measure(DLM)、temporal information(TI)。其中 VIF 和 DLM 是空间域的也即一帧画面之内的特征，TI 是时间域的也即多帧画面之间相关性的特征。这些特性之间融合计算总分的过程使用了训练好的 SVM 来预测。 工作流程如图：

VMAF 模型分析

VMAF 默认提供了 vmaf_float_v0.6.1.pkl 模型，可以分为 HDTV、Phone、4K 超分辨率三种使用模式，满足不同播放场景下的画质评测需求。