論文の概要: Learning Flexible Generalization in Video Quality Assessment by Bringing Device and Viewing Condition Distributions
- arxiv url: http://arxiv.org/abs/2607.04643v1
- Date: Mon, 06 Jul 2026 03:56:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.031665
- Title: Learning Flexible Generalization in Video Quality Assessment by Bringing Device and Viewing Condition Distributions
- Title（参考訳）: デバイスと視聴条件分布による映像品質評価におけるフレキシブルな一般化
- Authors: Nikolay Safonov, Dmitriy S. Vatolin,
- Abstract要約: 私たちは300以上のAndroidデバイスで収集された最初の大規模主観的データセットを紹介します。
本稿では,VQAモデルのスコア抽出とデバイス固有の品質推定への適応のための戦略を提案する。
- 参考スコア（独自算出の注目度）: 4.600476932894851
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video quality assessment (VQA) plays a critical role in optimizing video delivery systems. While numerous objective metrics have been proposed to approximate human perception, the perceived quality strongly depends on viewing conditions and display characteristics. Factors such as ambient lighting, display brightness, and resolution significantly influence the visibility of distortions. In this work, we address the question of the multi-screen quality assessment on mobile devices, as this area still tends to be under-covered. We introduce a first large-scale subjective dataset collected across more than different 300 Android devices, accompanied by metadata on viewing conditions and display properties. We propose a strategy for aggregated score extraction and adaptation of VQA models to device-specific quality estimation. Our results demonstrate that incorporating device and context information enables more accurate and flexible quality prediction, offering new opportunities for fine-grained optimization in streaming services. Ultimately, this work advances the development of perceptual quality models that bridge the gap between laboratory evaluations and the diverse conditions of real-world media consumption. We made the dataset and the code available at https://videoprocessing.github.io/device-viewing-conditions.
- Abstract（参考訳）: 映像品質評価(VQA)は,映像配信システムの最適化において重要な役割を担っている。
人間の知覚を近似するために多くの客観的指標が提案されているが、知覚された品質は視聴条件や表示特性に強く依存している。
周囲の照明、ディスプレイの明るさ、解像度などの要因は歪みの可視性に大きな影響を及ぼす。
本研究は,モバイル端末におけるマルチスクリーン品質評価の課題に対処するものである。
我々は、300以上の異なるAndroidデバイスにまたがって収集された最初の大規模主観的データセットを紹介し、視聴条件と表示特性に関するメタデータを添える。
本稿では,VQAモデルのスコア抽出とデバイス固有の品質推定への適応のための戦略を提案する。
以上の結果から,デバイス情報とコンテキスト情報を組み合わせることで,より正確で柔軟な品質予測が可能となり,ストリーミングサービスにおける微粒化最適化の新たな機会がもたらされた。
最終的に、この研究は、実験室の評価と実世界のメディア消費の多様な状況の間のギャップを橋渡しする知覚品質モデルの開発を進める。
データセットとコードはhttps://videoprocessing.github.io/device-viewing-conditions.comで公開しました。
関連論文リスト
- Q-Save: Towards Scoring and Attribution for Generated Video Evaluation [65.83319736145869]
本稿では,AIGV品質の総合評価のためのベンチマークデータセットとモデルであるQ-Saveを紹介する。
データセットには10000近いビデオが含まれており、それぞれにスカラー平均評価スコア(MOS)と微粒な属性ラベルが付与されている。
品質評価と属性に基づく説明を共同で行う統一評価モデルを提案する。
論文 参考訳（メタデータ） (2025-11-24T07:00:21Z) - Towards Generalized Video Quality Assessment: A Weak-to-Strong Learning Paradigm [76.63001244080313]
映像品質評価(VQA)は、人間の視覚的知覚に合わせて映像の知覚的品質を予測することを目的としている。
支配的なVQAパラダイムは、人間のラベル付きデータセットによる教師付きトレーニングに依存している。
我々は、大規模な人ラベルデータセットに頼らずにVQAを進めるための新しいパラダイムとして、弱い対強学習(W2S)を探求する。
論文 参考訳（メタデータ） (2025-05-06T15:29:32Z) - 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) - Modular Blind Video Quality Assessment [33.657933680973194]
Blind Video Quality Assessment (BVQA) は、幅広いビデオベースのプラットフォームやサービスにおけるエンドユーザーの視聴体験を評価し改善する上で重要な役割を担っている。
本稿では,モジュール性向上のためのモジュール型BVQAモデルとトレーニング方法を提案する。
論文 参考訳（メタデータ） (2024-02-29T15:44:00Z) - A Brief Survey on Adaptive Video Streaming Quality Assessment [30.253712568568876]
適応型ビデオストリーミングにおける品質・オブ・エクスペリエンス(QoE)の評価は,高度ネットワーク管理システムにおいて重要な役割を担っている。
我々は、適応的なビデオストリーミングのための機械学習技術を用いて、客観的QoEアセスメントモデルの様々なバリエーションを分析し、比較する。
既存のビデオストリーミングQoEアセスメントモデルにはまだ性能が限られており,実用的な通信システムに適用することは困難である。
論文 参考訳（メタデータ） (2022-02-25T21:38:14Z) - 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) - Unified Quality Assessment of In-the-Wild Videos with Mixed Datasets
Training [20.288424566444224]
我々は、コンピュータビジョンアプリケーションにおいて、Wildビデオの品質を自動評価することに注力する。
品質評価モデルの性能向上のために,人間の知覚から直観を借りる。
複数のデータセットで単一のVQAモデルをトレーニングするための混合データセットトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2020-11-09T09:22:57Z)
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。