- 综合排序
- 最热优先
- 最新优先
- 来自专栏媒矿工厂
VMAF——旅途仍在继续
首先，Zhi Li对VMAF以及其历史进行简要介绍。VMAF是用于衡量视频质量高低的指标。 VMAF项目始于Netflix团队与南加州大学的合作，之后德克萨斯大学奥斯汀分校与南特大学也参与合作。 2016年，VMAF在GitHub上开源；2017年，VMAF模型被添加到FFmpeg中; 2018年，VMAF添加了一个支持4K视频的模型，添加了置信区间；至今，Zhi Li团队也在不断进行速度优化。 VMAF即可被用于比较编解码器性能，也可用于编码决策。 接下来Zhi Li介绍了VMAF是如何工作的。VMAF计算有两个阶段：第一个阶段是提取空间和时间特征并进行帧内池化。 最后，Zhi Li介绍了近期的进展，包括VMAF对HDR视频的支持，用户体验问题的诊断以及如何将VMAF用于图像压缩学习。 附上演讲视频: 演讲PPT全文 ? ? ? ? ? ? ? ? ? ? ?
1.6K20发布于 2019-09-10 - 来自专栏音视频技术
VMAF:未毕之旅
2015年我们第一次对外公开VMAF并将其发表于ICP，2016年中旬我们在GitHub上实现了VMAF的开源并发表了第一个关于VMAF的科技博客文章；2017年初VMAF迎来了一次大版本更新并增加了针对手机等移动设备的视频播放模型 ；同年后期我们将FFmpeg集成至VMAF中，从此FFmpeg与VMAF得以协同工作处理视频进行质量评估。 2018年初我们实现了第一个基于VMAF的视频编码优化，同时我们开始将VMAF运用到Netflix的生产环境当中；2018年中旬我们对VMAF的运行速度进行了优化并增加了一个针对4K视频的模型；除此之外我们也为 一般来说，“极差”的ACR尺度映射到VMAF大约是20分而“极好”的ACR尺度映射到VMAF为100分。 VMAF模型，而红色线则代表常规VMAF。
2.6K52发布于 2019-10-23 - 来自专栏媒矿工厂
OTT 服务的质量与 VMAF
比特率阶梯由三个参数定义： 第一个参数是最低的 VMAF 分数，这个分数是视频信号在主观上与原始视频信号在主观上无法区分的最低 VMAF 分数。 第二个参数是在观看免费流媒体服务的视频信号时，超过 50% 的用户能够接受的最低 VMAF 分数的平均值，附加测试将此 VMAF 分数设置为 55。 在下文中，给定视频信号的所有帧的 VMAF 分数的平均值定义为该视频信号的 VMAF 分数，即 = 。 图8 测量的平均意见得分 MOS 以及 95% 置信区间与 VMAF 得分 为了推导出参数 ，评估了所有两个不同 VMAF 分数的对。 如果使用少于 21 个表示从 VMAF = 55 到 VMAF = 95 的范围（如在某些应用中可能所做的那样），则平均而言主观质量的损伤可能变得明显。
1.2K60编辑于 2021-12-04 - 来自专栏reizhi
使用VMAF对视频质量进行分析
下载地址：https://github.com/Netflix/vmaf/tree/master/model 将以下文件放置在 ffmpeg 的同级目录： vmaf_4k_v0.6.1.pkl vmaf _4k_v0.6.1.pkl.model vmaf_v0.6.1.pkl vmaf_v0.6.1.pkl.model 随后通过命令行运行 ffmpeg： ffmpeg.exe -i x:\target.mp4 -i x:\source.mp4 -lavfi libvmaf="model_path=vmaf_v0.6.1.pkl:log_path=VMAF.txt" -report -f null - 其中， 如果是对 1080P 及以下分辨率视频进行质量分析，使用模型 vmaf_v0.6.1.pkl 即可。而对于 4K 视频，则推荐使用模型 vmaf_4k_v0.6.1.pkl。 在 ffmpeg 同级目录下的 VMAF.txt 则记录了逐帧分析的 VMAF 成绩。
3.7K30编辑于 2022-09-26 - 来自专栏媒矿工厂
面向VMAF的HEVC感知率失真优化
为将VMAF结合至RDO以提高感知编码效率，我们提出了一种基于 CNN 在线训练的感知RDO方案，由关键帧准确计算得到的VMAF相关系数被用于训练和推导后续帧的VMAF相关系数，该系数最终在RDO中被用于调节编码块的拉格朗日乘子 基于前述基础指标，Netflix通过构建主观测试数据集用于训练和测试VMAF。目前，VMAF已表明比已有的评价方法具有更高的精度，并被业界广泛认可与采纳。 ? 的相关结果，神经卷积网络（CNN）在线训练方法用于拟合当前内容场景的VMAF特征，在线训练的模型用于后续帧VMAF相关系数的推导； （3）感知编码，将VMAF相关系数嵌入RDO，获得基于VMAF的感知拉格朗日乘子 与SSE、SSIM等指标有所不同，学习类帧级指标VMAF用于编码块级RDO时，很难直接利用公式得到块级的失真。本方法则通过建立 VMAF 失真和 SSE的关系解决该问题。 本方法使用在线训练 CNN 来学习当前场景的VMAF特性。
1.1K10发布于 2021-07-29 - 来自专栏音视频技术
easyVMAF：在自然环境下运行VMAF
正文字数：3970 阅读时长：6分钟 VMAF是最受欢迎的视频质量评估工具之一，它正在成为视频行业的标准参考度量标准。但是，运行VMAF在某些情况下可能会比较棘手，并导致错误的结果。 因此，可以通过几个开源软件包（例如，VMAF python库，VMAFossexec（C可执行文件），VMAF docker映像，libvmaf（C库）以及通过libvmaf编译的FFmpeg）来获得VMAF 注意：您可以在OTTVerse.com上找到FFmpeg，VMAF的安装过程以及用法。 尽管可以使用多种工具来计算VMAF，但要遵守VMAF工具所施加的严格要求，通常是具有挑战性的。 从缩放视频的分辨率到右边的VMAF模型 现如今可用的VMAF实现支持三种模型：HD，4K和Phone。 VMAF使用easyVMAF将它们组合在一起 到目前为止，我们使用一些简单的示例讨论了在计算VMAF之前对视频进行预处理的过程。
2.8K20发布于 2020-12-16 - 来自专栏媒矿工厂
回归VMAF分数的视频质量评价模块
VMAF是目前比较好用的质量评价模型。但是在图像/视频压缩，视频增强等领域，可能需要一定的质量评价模块作为损失函数指导网络的训练。 VMAF作为不可微的质量评价模型，无法直接作为损失函数，在这样的前提下，Darren等人提出使用神经网络去模拟VMAF的分数，使得该质量评价模块可以直接应用于其他网络的训练过程当中。 并且为了使得VMAF范围更加均匀，从不同 VMAF 得分中都抽取一定数量的视频。最终获得了13178条三帧序列用于训练，2822条序列用于验证，2822条用于测试。 两个模型的预测分数和 VMAF 分数的散点图分布如下图所示。 实例2 总结 在图像/视频质量评价领域， PVQM 往往是复杂且不可微的，作者基于前人的工作 VMAF 提出了使用 CNN 去近似 VMAF ，并且利用YouTube UGC 720P数据集去生成训练数据
1.9K30发布于 2021-10-22 - 来自专栏流媒体音视频
VMAF3.0编译及常见问题记录
前沿VMAF (Video Multi-Method Assessment Fusion) 是 Netflix 开发的开源视频质量评估工具，版本 3.0 是其一个重要更新。 它的主要作用是视频质量评估：通过机器学习模型综合多种质量指标，预测人类对视频质量的主观感受，提供 0-100 分的 VMAF 分数，分数越高表示质量越好。 python3-pip python3-setuptoolssudo yum install -y epel-releasesudo yum install -y python3-scipy2、获取 VMAF ldconfig执行 vmaf 命令进行验证：vmaf --version如果需要编译到 ffmpeg 中，需要在执行 configure 命令时 ，指定参数 --enable-libvmaf。 : Meson version is 0.55.1 but project requires >= 0.56.1A full log can be found at /tools/vmaf-3.0.0/
55821编辑于 2025-06-15 - 来自专栏音视频技术
关于VMAF的ContentAwareEncoding和no-ref指标的思考
/ 李智：首先要感谢Fabio对VMAF的详细而细致的分析，这对于我们开发VMAF的后续版本非常有帮助。 在我们发布新版本VMAF以前，一个暂时的提升VMAF对banding的感知度的方法是，对VMAF的输入信号（包括原信号以及压缩信号）进行gamma校正（比如选取一个居中的值，例如1.5），以提高低亮度部分的可见性 然而，自从开始使用VMAF以来，VMAF就在我的实验中暴露出了一些次优的特征，至少在一些情况下是这样。 图1所示，VMAF高估了黑暗、平滑场景的质量 我可以假设这种行为可能是由于在VMAF中评估质量的方式所导致的，例如在距离是2.5 xH的情况下可能会降低敏感度，但在距离是1.5 xH的VMAF 4 k 图4，MOS与VMAF 4K 仍有很长的路要走 VMAF并不是一个完美的工具，至少现在还不是。然而，它为在各种场景中方便地估计感知质量铺平了道路。
1.5K31发布于 2020-02-14 - 来自专栏媒矿工厂
关于VMAF，内容感知编码和无参指标的思考
然而，从一开始，VMAF就在实验中表现出了一些非最优行为，至少在一些场景中是这样。特别的，我现在甚至可以识别出VMAF的致命弱点是在黑暗或平坦场景中估计感知质量的准确性下降。 如果我们使用像VMAF这样的指标来调整CAE算法，那就需要非常小心，或者重新训练VMAF来增加在这些情况下的准确性(VMAF还有其他有问题的情况，比如非常颗粒状的噪声，但在那些情况下，主观质量会被低估， 我认为VMAF并不是所有情况下的正确选择，因为就连YouTube在Big Apple 2019大会上也指出，VMAF往往不能正确识别出带状效应的存在。 我估计这种行为可能是由于VMAF评估质量的方式，例如下2.5xH的距离可以减少在这些情况下的灵敏度，但由于VMAF 4k的距离是1.5xH，所以问题依然存在于此。这是这个基本指标的一个缺点。 无论如何，下面这张图中我们可以看到VMAF 4K与SDR序列的主观评价之间的相关性。低于红线的点表示VMAF高估了预测质量的内容。基于这种评估所做的任何决策都可能导致错误或伪影。 ?
1.9K00发布于 2019-12-23 - 来自专栏媒矿工厂
GTC 2024 | 使用NVIDIA GPU和VMAF-CUDA计算视频质量
VMAF 现在已经被 Netflix，Snap，V-Nova等公司采用。 VMAF-CPU 图1展示了 VMAF 在 CPU 上的实现方式。 在 CPU 上计算 VMAF 时，可以将每幅图像的上述特征计算分配给多个线程。因此，VMAF 计算可以从更多的 CPU 内核中获益。在 CPU 上计算 VMAF 分数取决于必须提取的最慢特征。 图4 VMAF-CUDA的GPU使用情况 VMAF-CUDA 还可以加速 PSNR 计算。VMAF 和 PSNR 通常同时计算。 VMAF评估 我们使用 VMAF-CUDA 测量了两个指标：（1）单帧 VMAF 延迟：计算三个特征提取器以获得单帧 VMAF 分数所需的时间 （2）总吞吐量：计算视频序列的VMAF分数的速度 用于测试的硬件是 VMAF-CUDA 的引入优化了处理流程。以前，VMAF 计算的高计算成本阻碍了 Snap 使用最佳转码设置。
1K11编辑于 2024-05-31 - 来自专栏媒矿工厂
基于 VMAF 和 GREED 的高帧率全参考视频质量评价方法
VMAF 方法在不同帧率的视频下表现不佳，而 GREED 模型在相同帧率的视频之间进行评价性能不好，基于此，作者提出了融合 VMAF 和 GREED 的特征，结合 VMAF 和 GREED 的优势，通过特征融合 将质量评价指标利用 SVR 进行融合，得到 VMAF 模型。 由于在 GREED-VMAF 中只使用了 VMAF 的空间特征，并且 VMAF 框架要求比较视频具有相同的帧率，因此我们通过时间子采样来匹配帧率，从而更好的捕捉空间伪影。 评价结果如下表所示，我们可以看出 GREED-VMAF 相比于 VMAF 和 GREED 具有更好的泛化能力。 ，相比于 VMAF 和 GREED 有着更好的泛化能力。
2.1K30发布于 2021-11-04 - 来自专栏音视频技术
视频质量评估的新方式：VMAF百分位数
我们想按照帧的VMAF分数从最低到最高的顺序优先提高帧的质量。拥有高VMAF分数的框架看起来已经很不错了，因此改善它们的质量也不太重要了。 实验设置:VMAF百分位图 当我们对上面提到的四个序列运行x264时，计算平均百分位数并绘制它们，我们得到一个VMAF Centile图(VMAF- cp)，看起来像这样： ? VMAF centiles为x264medium预设 乍一看，VMAF-CP看起来类似于标准开发中广泛使用的速率失真图。这是因为随着VMAF百分数沿x轴增加，分数也会单调增加。 对于上面显示的数据，所有帧的平均VMAF为97.7（100是可达到的最高得分）。因此，使用序列帧的平均VMAF作为视频质量指标会使我们误以为总体视频质量非常好。 该计算仅涉及计算所有帧的VMAF分数，计算百分位数，并从最低到最高绘制或制表。 确定VMAF百分位数与人类视觉的相关性还需要做更多的工作。
3.7K10发布于 2020-12-16 - 来自专栏媒矿工厂
【视频编码】 Content Aware ABR技术（四）
VMAF据称要比现有的其他一些客观指标能够更好地反映人眼对压缩视频质量的感知结果。自从Netflix开源VMAF以来，VMAF一直被业界认为很有可能替代传统视频质量评价指标（如PSNR等）。 MOS以及VMAF vs. MOS的散点图，可以发现：与PSNR相比，VMAF与MOS的相关性更高一些，这与Netflix给出的结果基本一致。 图4 PSNR vs. MOS和VMAF vs. MOS以及VMAF vs. MOS的一致性比较结果，可以发现，与VMAF相比，在使用不同的编码器时PSNR与MOS的一致性更高，PSNR为0.89，而VMAF只有0.70。 MOS以及VMAF vs. MOS）。此时可以再次发现，与VMAF相比，PSNR与MOS的一致性更高，PSNR为0.78，VMAF为0.43。 VMAF在理论上应该与MOS的相关性更高，因为Netflix是用主观MOS数据训练VMAF模型的。然而，在后两项测试中，VMAF vs. MOS的相关性却比较低。
2.2K90发布于 2018-03-06 - 来自专栏音视频技术修炼手册
微帧科技：综合多项指标评价视频质量，才能更接近主观感受
，更无法评价对原画的增强，VMAF却可以做到这一点。 ，同时VMAF也有了较大的提升。 “忧” — VMAF的不足① VMAF值能够被trick。单纯为了提高VMAF值，而增强对比度，实际是不合理的，虽VMAF值提高了，但画质却并没有真正提升，本末倒置。 下图为例，右边视频仅在左边视频基础上进行了对比度增强的处理，左边VMAF为67.44，右边VMAF为97，可见经过增强对比度，VMAF也提升了不少，但当我们查看细节，会发现画质没有得到根本提升，原有的马赛克 同一码率下【左】开启deblock（deblock），VMAF=82.72【右】关闭deblock（no-deblock），VMAF=83.13VMAF虽然有令人担忧的硬伤，但是确实有其独到的一面。
80710编辑于 2024-10-30 - 来自专栏IT技术精选文摘
Netflix最新视频优化实践：用更少的带宽打造完美画质
其中AVCMain（图4A，VMAF=58）和AVCHi-Opt（图4B，VMAF=73）的视觉差异最显著，VP9-Opt（图4C，VMAF=79）看起来最锐利。 ? 图4 (A)：AVCMain，250 kbps，VMAF=58 ? 图4 (B)：AVCHi-Opt，254 kbps，VMAF=73 ? 使用AVCMain（图5A）时，图片上方的文字几乎不可辨认，而此时的VMAF得分为60分；使用AVCHi-Opt（图5B）时，画质已有较大改善，此时VMAF得分为74；使用VP9-Opt（图5C）时，文字和形状边缘变得非常清晰 ，同时画质有了显著提升，此时的VMAF得分为81。 图5：(A) AVCMain，260 kbps，VMAF=60；(B) AVCHi-Opt，257 kbps，VMAF=74；(C) VP9-Opt，252 kbps，VMAF=81 优化编码器的现场测试
1.4K50发布于 2018-04-08 - 来自专栏媒矿工厂
探究一下iSize的编码预处理魔法！
图2 BitSave（100％的数据速率）与Baseline和FFmpeg Filters指标分数 Jan得到如下结论： VMAF确实很容易被hack，在比较预处理方法时，应该对VMAF分数有所了解； 这就提出了几个问题，例如是否可以通过改善编码视频文件的对比度来提高VMAF分数，或者是否可以对VMAF进行hack。 在白皮书中，研究人员测试了非锐化蒙板和直方图均衡化的不同值如何影响VMAF和SSIM得分。正如文章标题所暗示的那样，他们得出结论认为VMAF可能被“hack”。 从表1中可以看到，对比度使VMAF分数提高了14点，尽管SSIM遭受了损失。显然，VMAF可以被hack。 这里的相似之处在于，仅仅因为我们在查看BitSave时发现VMAF是可hack的，并不意味着BitSave在hack VMAF。
1.4K20发布于 2020-04-02 - 来自专栏音视频技术
苹果推荐并非最佳 iOS 11下的HEVC编码设置优化
确实可以借鉴一下思路，VMAF方法我们也在用，对画质比较关心的场合都会用。 我用了Netflix发布的VMAF（https://www.zybuluo.com/liuhui0803/note/454651）来做画质评测。 表1：这是苹果的HLS编码梯子图 选出最好的“梯子图” Netflix开发了VMAF，对每一种分辨率、码率下的编码器进行打分，表2列出了《Tears of Steel》每种码率下的最佳得分。 表4 表4展示了《Tears of Steel》的VMAF评分，苹果的建议并非最佳选择。 表5：《Sintel》的编码梯子图 表5显示，复杂画面的视频采用更高分辨率编码的效果更好。 表6：使用《Sintel》编码梯子图的分辨率与苹果建议值的得分对比 图1显示，HEVC编码的700kbps码率下，540p的效果比270p好很多，前者是VMAF得分更高，后者是苹果推荐的。
1.3K30发布于 2021-09-02 - 来自专栏音视频技术
如何选择和使用视频质量客观评价指标
Netflix的VMAF是另一个可以训练的评价指标体系，使用所谓的支持向量机。 TekMOS也有一个兴趣区域过滤器，是VMAF目前没有的。 VMAF的一个巨大好处是Netflix选择了将评价指标体系开源，使其可以在多个平台上使用，您将会在后面介绍中了解更多信息。 这些图在Netflix关于VMAF的博客文章中有少量采用。左侧的散点图比较了VMAF得分（纵横）和实际MOS得分（横轴）。 右边的图表是关于PSNRHVS评价指标体系的，与左图结构类似。 Netflix在其per-title编码引擎中直到2016年年中前，还一直在使用PSNR，即使被VMAF替代以后还继续在大多数编解码器比较中引用PSNR结果（当然也有 VMAF的结果），就可以证明这一点了 最后，一旦我开始为客户分析编码阶梯，我开始越来越多地使用和喜欢VMAF;它可以获取和访问，并且是专门为编码阶梯而设计的。当然，由Netflix开发的这一事实也使VMAF获得了巨大的技术信誉。
2.4K30发布于 2021-09-02 - 来自专栏Chasays
音频质量评估-2
QoSTestFramework(这个里面集成了VMAF) 丰富的指标 ---用了 FR和NR 视频质量测试的指标 比如PSNR等 模块化 --- 易于扩展 可视化 -- 所有结果都可视化 框架图 Analysis module 分析 Web Application -- 触发测试任务和可视化结果显示 Video transmission adapter module -- 用于不同实时视频系统的适配 VMAF Video Multi-Method Assessment Fusion VMAF 是 Netflix 开发的感知视频质量评估算法。 VMAF 开发工具包 (VDK) 是一个包含 VMAF 算法实现的软件包，以及一组允许用户训练和测试自定义 VMAF 模型的工具。 VMAF python 库 - 提供完整的功能，包括运行基本的 VMAF 命令行、在一批视频文件上运行 VMAF、在视频数据集上训练和测试 VMAF 模型以及可视化工具等。
1.5K10编辑于 2021-12-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号