論文の概要: Comparison Drives Preference: Reference-Aware Modeling for AI-Generated Video Quality Assessment
- arxiv url: http://arxiv.org/abs/2604.17074v1
- Date: Sat, 18 Apr 2026 17:21:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.321147
- Title: Comparison Drives Preference: Reference-Aware Modeling for AI-Generated Video Quality Assessment
- Title（参考訳）: 比較ドライブの推奨:AI生成ビデオ品質評価のための基準認識モデリング
- Authors: Minghao Zou, Gen Liu, Guanghui Yue, Baoquan Zhao, Zhihua Wang, Paul L. Rosin, Hantao Liu, Wei Zhou,
- Abstract要約: 既存のAIGC-VQA手法は,個々の映像を独立して分析することにより,視覚的品質を推定する。
本研究では,映像間の観点からAIGC-VQAを再検討し,参照認識評価問題として定式化する。
本稿では,クエリ中心参照グラフを用いて意味的関連サンプルを整理し,グラフ誘導差分集計を行うRefVQAを提案する。
- 参考スコア（独自算出の注目度）: 36.85178110950088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid advancement of generative models has led to a growing volume of AI-generated videos, making the automatic quality assessment of such videos increasingly important. Existing AI-generated content video quality assessment (AIGC-VQA) methods typically estimate visual quality by analyzing each video independently, ignoring potential relationships among videos. In this work, we revisit AIGC-VQA from an inter-video perspective and formulate it as a reference-aware evaluation problem. Through this formulation, quality assessment is guided not only by intrinsic video characteristics but also by comparisons with related videos, which is more consistent with human perception. To validate its effectiveness, we propose Reference-aware Video Quality Assessment (RefVQA), which utilizes a query-centered reference graph to organize semantically related samples and performs graph-guided difference aggregation from the reference nodes to the query node. Experiments on existing datasets demonstrate that our proposed RefVQA outperforms state-of-the-art methods across multiple quality dimensions, with strong generalization ability validated by cross-dataset evaluation. These results highlight the effectiveness of the proposed reference-based formulation and suggest its potential to advance AIGC-VQA.
- Abstract（参考訳）: 生成モデルの急速な進歩により、AI生成ビデオの量が増加し、このようなビデオの自動品質評価がますます重要になっている。
既存のAIGC-VQA(Content Video Quality Assessment)手法は、通常、ビデオ間の潜在的な関係を無視して、個々の動画を独立して分析することによって、視覚的品質を推定する。
本研究では,映像間の観点からAIGC-VQAを再検討し,参照認識評価問題として定式化する。
この定式化を通じて、品質評価は、本質的な映像特性だけでなく、人間の知覚とより整合した関連ビデオとの比較によっても導かれる。
提案手法の有効性を検証するために,クエリ中心の参照グラフを用いてセマンティック関連サンプルを整理し,参照ノードからクエリノードへのグラフ誘導差分アグリゲーションを行う参照対応ビデオ品質アセスメント(RefVQA)を提案する。
既存のデータセットに対する実験により,提案したRefVQAは,複数の品質次元にまたがる最先端の手法よりも優れており,クロスデータセット評価によって高い一般化能力が検証できることが示された。
これらの結果は,提案手法の有効性を強調し,AIGC-VQAの進展の可能性を示した。
関連論文リスト
- Analytic Score Optimization for Multi Dimension Video Quality Assessment [14.857118087904206]
本稿では,5つの重要な品質次元にアノテートされた多様なユーザ生成コンテンツ(UGC)を含む大規模多次元VQAデータセットを提案する。
データセット内の各ビデオは、これらの次元で3人以上のラッカーによってスコアされ、微粒なサブ属性ラベルが付けられます。
解析スコア最適化(ASO)は,多次元VQAから導出される学習後目標である。
論文 参考訳（メタデータ） (2026-02-18T20:34:24Z) - CAMP-VQA: Caption-Embedded Multimodal Perception for No-Reference Quality Assessment of Compressed Video [9.172799792564009]
本稿では,大規模モデルの意味理解機能を活用した新しいNR-VQAフレームワークであるCAMP-VQAを提案する。
本手法では,フレーム間変動から抽出したキーフラグメントを統合する品質対応ビデオメタデータ機構を提案する。
我々のモデルは既存のNR-VQA法を一貫して上回り、手作業の細かいアノテーションを使わずに精度の向上を実現している。
論文 参考訳（メタデータ） (2025-11-10T16:37:47Z) - NovisVQ: A Streaming Convolutional Neural Network for No-Reference Opinion-Unaware Frame Quality Assessment [39.76658525158528]
コンピュータビジョンタスクにはビデオ品質評価(VQA)が不可欠だが、既存のアプローチには大きな制約がある。
我々は、参照も意見も意識しないスケーラブルでストリーミングベースのVQAモデルを提案する。
論文 参考訳（メタデータ） (2025-11-06T18:23:55Z) - Benchmarking Multi-dimensional AIGC Video Quality Assessment: A Dataset and Unified Model [56.03592388332793]
主観的・客観的な品質評価の観点からAIGC-VQA問題を考察する。
主観的観点からは,2,808本のAIGCビデオからなる大規模映像品質評価(LGVQ)データセットを構築した。
我々は,AIGCビデオの知覚的品質を,空間的品質,時間的品質,テキスト・ビデオアライメントの3つの重要な次元から評価した。
本稿では,AIGCビデオの多次元品質を正確に評価するUnify Generated Video Quality Assessment (UGVQ)モデルを提案する。
論文 参考訳（メタデータ） (2024-07-31T07:54:26Z) - CLIPVQA:Video Quality Assessment via CLIP [56.94085651315878]
VQA問題(CLIPVQA)に対する効率的なCLIPベースのトランスフォーマー手法を提案する。
提案したCLIPVQAは、新しい最先端のVQAパフォーマンスを実現し、既存のベンチマークVQAメソッドよりも最大で37%の汎用性を実現している。
論文 参考訳（メタデータ） (2024-07-06T02:32:28Z) - GAIA: Rethinking Action Quality Assessment for AI-Generated Videos [56.047773400426486]
アクション品質アセスメント(AQA)アルゴリズムは、主に実際の特定のシナリオからのアクションに焦点を当て、規範的なアクション機能で事前訓練されている。
我々は,新たな因果推論の観点から大規模主観評価を行うことにより,GAIAを構築した。
その結果、従来のAQA手法、最近のT2Vベンチマークにおけるアクション関連指標、メインストリームビデオ品質手法は、それぞれ0.454、0.191、0.519のSRCCで性能が良くないことがわかった。
論文 参考訳（メタデータ） (2024-06-10T08:18:07Z) - Study on the Assessment of the Quality of Experience of Streaming Video [117.44028458220427]
本稿では,ストリーミング映像のQoEの主観的推定に対する様々な客観的要因の影響について検討する。
本論文では標準的および手作り的特徴を示し,その相関とp値を示す。
SQoE-IIIデータベースは、これまでで最大の、そして最も現実的なデータベースだ。
論文 参考訳（メタデータ） (2020-12-08T18:46:09Z) - UGC-VQA: Benchmarking Blind Video Quality Assessment for User Generated
Content [59.13821614689478]
コンテンツの品質劣化は予測不能で、複雑で、しばしば開始されるため、Wild動画のブラインド品質の予測は非常に難しい。
ここでは、主要なVQAモデルの包括的評価を行うことにより、この問題の進展に寄与する。
先行するVQAモデルの特徴の上に特徴選択戦略を適用することで,先行するモデルが使用する統計的特徴のうち60点を抽出することができる。
我々の実験結果から,VIDEVALは,他の先行モデルよりも計算コストがかなり低く,最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-05-29T00:39:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。