感知编码：质量，内容特征和复杂度

本文是来自AOMedia Symposium 2019的演讲，讲者是来自Université de Nantes大学的Patrick Le Callet。本次演讲主要讲述了视频编码和质量评价在机器学习背景下的改进方法。

首先，Patrick介绍了视频编码结合机器学习的研究背景，包括混合方法和可预测模型。然后继续介绍了一些影响因素，包括编码器复杂度，内容多样性和观看体验。最后介绍了他们的研究重点，包括：RDCO、UGC、PPCO等不同等特征内容，AI驱动的ad hoc测试方法以及对于内容弹性编码的视频质量测量方法。

接着，Patrick介绍了视频质量评价结合机器学习的研究背景，包括使用主动采样增强主观测试，提升测量标准学习和使用智能数据。

Patrick就内容特征进行分析，首先介绍了RDCO，它包括内容影响和学习内容特征两方面。再介绍了UGC编码方法，探索了UGC的特征，包括特征分类和特征选取。

Patrick继续介绍了内容特征和视频质量测量方法的需求。首先对于PPCO的编码评估，需要准确的质量估计器和作为ground truth的主观测试。对于动态编码，需要主观分数和视频质量测量标准的置信度。

然后，Patrick提出问题，视频编码和质量评估需要什么？首先为了在窄的质量区间得到更加可信的数据，应该提高ground truth的可信度。为此进行了成对比较测试设计和分析，增强PC测试和成对比较的主动采样。其次需要有效的客观图像质量预测器。为此进行了原始空间的可替换分析，每个质量区间的分析和多个数据库的客观测量标准训练。

附上演讲视频：

http://mpvideo.qpic.cn/0bf2hqaaeaaavyabfuamfvpfapgdai6aaaqa.f10002.mp4?dis_k=54954a565a94c2aa6d46025e0cf20b2a&dis_t=1578993572