論文の概要: GameScope: A Multi-Attribute, Multi-Codec Benchmark Dataset for Gaming Video Quality Assessment
- arxiv url: http://arxiv.org/abs/2605.01272v1
- Date: Sat, 02 May 2026 06:11:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.677502
- Title: GameScope: A Multi-Attribute, Multi-Codec Benchmark Dataset for Gaming Video Quality Assessment
- Title（参考訳）: GameScope: ゲーム品質評価のためのマルチ属性・マルチコーデックベンチマークデータセット
- Authors: Rajesh Sureddi, Shreshth Saini, Avinab Saha, Alan C. Bovik,
- Abstract要約: ユーザ生成コンテンツ(UGC)とプロ生成コンテンツ(PGC)の両方を組み込んだゲームビデオ品質データセットを,これまでで最大規模で提示する。
我々のデータセットは、最も広く使われているコーデック(H.264, H.265, AV1)をカバーし、平均37のスコアスコア(MOS)で注釈付けされた4,048のビデオサンプルで構成されている。
全体的な品質スコアに加えて,粗い品質特性も収集し,知覚的要因の理解を深める。
- 参考スコア（独自算出の注目度）: 25.022340378407915
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of video game streaming has grown rapidly, with major platforms such as YouTube and Twitch using different codecs. To support quality assessment models that work consistently across any codec, it is necessary to have access to large, diverse subjective gaming quality datasets. Currently, there are only a few available, each having limitations. To address this gap, we present the largest gaming video quality dataset to date, incorporating both user-generated content (UGC) and professional-generated content (PGC) with extensive visual diversity. Our dataset covers the most widely used codecs - H.264, H.265, and AV1 - and consists of 4,048 video samples, each annotated by an average of 37 mean opinion score (MOS) ratings. In addition to overall quality scores, we collect coarse-grained quality attributes, enabling a better understanding of perceptual factors. We study the performance of leading video quality assessment methods on this dataset, including a vision language model that outperforms all the benchmarks. To the best of our knowledge, this is the first dataset that comprehensively addresses gaming video quality assessment across multiple codecs and content types with quality attributes. Our dataset is publicly available at https://rajeshsureddi.github.io/GameScope/.
- Abstract（参考訳）: ビデオゲームストリーミングの開発は急速に成長し、YouTubeやTwitchといった主要なプラットフォームがさまざまなコーデックを使用している。
コーデック全体にわたって一貫して動作する品質アセスメントモデルをサポートするためには、大規模で多様な主観的なゲーム品質データセットへのアクセスが必要である。
現在、利用可能なものはわずかであり、それぞれに制限がある。
このギャップに対処するため、ユーザ生成コンテンツ(UGC)とプロ生成コンテンツ(PGC)の両方を視覚的多様性に組み込んだ、これまでで最大のゲームビデオ品質データセットを提示する。
我々のデータセットは、最も広く使われているコーデック(H.264, H.265, AV1)をカバーし、平均37のスコアスコア(MOS)で注釈付けされた4,048のビデオサンプルで構成されている。
全体的な品質スコアに加えて,粗い品質特性も収集し,知覚的要因の理解を深める。
本稿では,このデータセット上での映像品質評価手法の性能について検討する。
私たちの知る限りでは、複数のコーデックやコンテンツタイプにまたがるゲーム品質アセスメントを、品質特性で包括的に扱う最初のデータセットです。
私たちのデータセットはhttps://rajeshsureddi.github.io/GameScope/で公開されています。
関連論文リスト
- VideoScore2: Think before You Score in Generative Video Evaluation [69.43069741467603]
VideoScore2は、視覚的品質、テキスト・ツー・ビデオのアライメント、物理的/常識的一貫性を明確に評価する多次元、解釈可能、そして人間によるアライメントフレームワークである。
我々のモデルは、27,168人の注釈付きビデオを含む大規模なデータセットVideoFeedback2で訓練されている。
論文 参考訳（メタデータ） (2025-09-26T18:09:03Z) - VCapsBench: A Large-scale Fine-grained Benchmark for Video Caption Quality Evaluation [23.701884816475403]
ビデオキャプションは、テキストからビデオへの生成タスクにおいて重要な役割を果たす。
既存のベンチマークでは、きめ細かい評価が不十分である。
細粒度ビデオキャプション評価ベンチマーク(VCapsBench)を紹介する。
論文 参考訳（メタデータ） (2025-05-29T14:34:25Z) - Koala-36M: A Large-scale Video Dataset Improving Consistency between Fine-grained Conditions and Video Content [35.02160595617654]
我々は,正確な時間分割,詳細なキャプション,優れた映像品質を備えた大規模高品質ビデオデータセットであるKoala-36Mを紹介した。
確率分布に線形分類器を用い、遷移検出の精度を高め、時間的整合性を向上させる。
複数のサブメトリックを統合するVTSS(Video Training Suitability Score)を開発した。
論文 参考訳（メタデータ） (2024-10-10T17:57:49Z) - EgoCVR: An Egocentric Benchmark for Fine-Grained Composed Video Retrieval [52.375143786641196]
EgoCVRは、きめ細かいComposted Video Retrievalの評価ベンチマークである。
EgoCVRは2,295のクエリで構成され、高品質な時間的ビデオ理解に特化している。
論文 参考訳（メタデータ） (2024-07-23T17:19:23Z) - Exploring AIGC Video Quality: A Focus on Visual Harmony, Video-Text Consistency and Domain Distribution Gap [4.922783970210658]
我々は,AIGC映像品質の評価を,視覚調和,映像テキストの整合性,領域分布ギャップの3次元に分類した。
各次元に対して、AIGCビデオの総合的な品質評価を提供するための特定のモジュールを設計する。
本研究は,異なるテキスト・ツー・ビデオ・モデルにより生成される映像の視覚的品質,流動性,スタイルの有意な変化を明らかにする。
論文 参考訳（メタデータ） (2024-04-21T08:27:20Z) - Towards Explainable In-the-Wild Video Quality Assessment: A Database and
a Language-Prompted Approach [52.07084862209754]
われわれは、13次元の質関連因子に関する4,543本のビデオについて200万以上の意見を集めている。
具体的には、各次元に対して正、負、中立の選択をラベル付けするよう被験者に求める。
これらの説明レベルの意見は、特定の品質要因と抽象的な主観的品質評価の関係を測ることができる。
論文 参考訳（メタデータ） (2023-05-22T05:20:23Z) - GAMIVAL: Video Quality Prediction on Mobile Cloud Gaming Content [30.96557290048384]
我々はGAMIVAL(Gaming Video Quality Evaluator)と呼ばれるゲーム固有のNR VQAモデルを開発した。
サポートベクタ回帰(SVR)を回帰器として使用するGAMIVALは,新たなLIVE-Meta Mobile Cloud Gaming(LIVE-Meta MCG)ビデオ品質データベースにおいて,優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2023-05-03T20:29:04Z) - Video compression dataset and benchmark of learning-based video-quality
metrics [55.41644538483948]
本稿では,ビデオ圧縮の評価を行うビデオ品質指標の新しいベンチマークを提案する。
これは、異なる標準でエンコードされた約2,500のストリームからなる、新しいデータセットに基づいている。
クラウドソーシングによるペアワイズ比較により,主観的スコアを収集した。
論文 参考訳（メタデータ） (2022-11-22T09:22:28Z) - Blind VQA on 360{\deg} Video via Progressively Learning from Pixels,
Frames and Video [66.57045901742922]
360度ビデオにおけるブラインド視覚品質評価(BVQA)は,没入型マルチメディアシステムの最適化において重要な役割を担っている。
本稿では,球面映像品質に対する人間の知覚の進歩的パラダイムを考察する。
画素,フレーム,ビデオから段階的に学習することで,360度ビデオのための新しいBVQA手法(ProVQA)を提案する。
論文 参考訳（メタデータ） (2021-11-18T03:45:13Z)
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。