要約
この研究では、ディープ ビデオ プリアを使用して、完全にブラインドのビデオ品質評価アルゴリズムを設計しました。
この研究は主に、ビデオの視覚的品質を推定する前にディープ ビデオの有用性を調査します。
私たちの作業では、事前に深いビデオを学習するために、単一の歪んだビデオと参照ビデオのペアを使用しました。
推論時に、学習された深い事前確率を使用して、歪んだビデオから元のビデオを復元します。
歪みのあるビデオから元のビデオを復元する前に学習されたディープ ビデオの能力が測定され、ビデオの歪みが定量化されます。
私たちの仮説は、事前に学習されたディープビデオは、非常に歪んだビデオの復元に失敗するというものです。
ディープビデオの以前の復元能力は、ビデオに存在する歪みに比例します。
したがって、歪みのあるビデオと復元されたビデオの間の距離をビデオの知覚品質として使用することを提案します。
私たちのアルゴリズムは単一のビデオ ペアを使用してトレーニングされており、ラベル付きデータは必要ありません。
提案したアルゴリズムが、合成的に歪んだビデオ品質評価データセットに対する LCC および SROCC の点で、既存の教師なしビデオ品質評価アルゴリズムよりも優れていることを示します。
要約(オリジナル)
In this work, we designed a completely blind video quality assessment algorithm using the deep video prior. This work mainly explores the utility of deep video prior in estimating the visual quality of the video. In our work, we have used a single distorted video and a reference video pair to learn the deep video prior. At inference time, the learned deep prior is used to restore the original videos from the distorted videos. The ability of learned deep video prior to restore the original video from the distorted video is measured to quantify distortion in the video. Our hypothesis is that the learned deep video prior fails in restoring the highly distorted videos. The restoring ability of deep video prior is proportional to the distortion present in the video. Therefore, we propose to use the distance between the distorted video and the restored video as the perceptual quality of the video. Our algorithm is trained using a single video pair and it does not need any labelled data. We show that our proposed algorithm outperforms the existing unsupervised video quality assessment algorithms in terms of LCC and SROCC on a synthetically distorted video quality assessment dataset.
arxiv情報
著者 | Siddharath Narayan Shakya,Parimala Kancharla |
発行日 | 2024-11-05 13:21:26+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google