Calidad de video

La calidad del video es una característica de un video que se pasa a través de un sistema de procesamiento o transmisión de video que describe la degradación del video percibida (generalmente, en comparación con el video original). Los sistemas de procesamiento de video pueden introducir cierta cantidad de distorsión o artefactos en la señal de video que impactan negativamente en la percepción del usuario de un sistema. Para muchas partes interesadas en la producción y distribución de videos, la garantía de la calidad del video es una tarea importante.

La evaluación de la calidad del video se realiza para describir la calidad de un conjunto de secuencias de video en estudio. La calidad del video se puede evaluar objetivamente (mediante modelos matemáticos) o subjetivamente (preguntando a los usuarios su calificación). Además, la calidad de un sistema se puede determinar fuera de línea (es decir, en un entorno de laboratorio para desarrollar nuevos códecs o servicios) o en servicio (para monitorear y asegurar un cierto nivel de calidad).

De video analógico a digital

Desde que se grabó y transmitió la primera secuencia de video del mundo, se han diseñado muchos sistemas de procesamiento de video. Dichos sistemas codifican secuencias de video y las transmiten a través de varios tipos de redes o canales. En la era de los sistemas de video analógico , era posible evaluar los aspectos de calidad de un sistema de procesamiento de video calculando la respuesta de frecuencia del sistema usando señales de prueba (por ejemplo, una colección de barras y círculos de colores).

Los sistemas de video digital han reemplazado casi por completo a los analógicos y los métodos de evaluación de la calidad han cambiado. El rendimiento de un sistema de transmisión y procesamiento de video digital puede variar significativamente y depende de muchos factores, incluidas las características de la señal de video de entrada (por ejemplo, cantidad de movimiento o detalles espaciales), la configuración utilizada para la codificación y transmisión, y la fidelidad del canal o la red. actuación.

Calidad de video objetiva

Los modelos objetivos de calidad de video son modelos matemáticos que se aproximan a los resultados de la evaluación subjetiva de la calidad , en los que se pide a los observadores humanos que califiquen la calidad de un video. En este contexto, el término modelo puede referirse a un modelo estadístico simple en el que varias variables independientes (por ejemplo, la tasa de pérdida de paquetes en una red y los parámetros de codificación de video) se ajustan a los resultados obtenidos en una prueba de evaluación de calidad subjetiva utilizando técnicas de regresión . Un modelo también puede ser un algoritmo más complicado implementado en software o hardware.

Terminología

Los términos modelo y métrica a menudo se usan indistintamente en el campo. Sin embargo, una métrica tiene ciertas propiedades matemáticas que, por definición estricta, no se aplican a todos los modelos de calidad de video.

El término “objetivo” se relaciona con el hecho de que, en general, los modelos de calidad se basan en criterios que pueden medirse objetivamente, es decir, libres de interpretación humana. Pueden ser evaluados automáticamente por un programa de computadora. A diferencia de un panel de observadores humanos, un modelo objetivo siempre debe generar de manera determinista la misma puntuación de calidad para un conjunto dado de parámetros de entrada.

Los modelos de calidad objetiva a veces también se denominan modelos instrumentales (de calidad) , ^{[1] [2]} para enfatizar su aplicación como instrumentos de medición. Algunos autores sugieren que el término "objetivo" es engañoso, ya que "implica que las medidas instrumentales tienen objetividad, lo que solo hacen en caso de que puedan generalizarse". ^[3]

Clasificación de modelos objetivos de calidad de video

Clasificación de modelos objetivos de calidad de video en referencia completa, referencia reducida y sin referencia.

Métodos de evaluación de calidad de imagen y video sin referencia.

Los modelos objetivos pueden clasificarse por la cantidad de información disponible sobre la señal original, la señal recibida o si hay una señal presente: ^[4]

• Métodos de referencia completa (FR): los modelos FR calculan la diferencia de calidad comparando la señal de video original con la señal de video recibida. Normalmente, cada píxel de la fuente se compara con el píxel correspondiente en el video recibido, sin conocimiento sobre el proceso de codificación o transmisión en el medio. Los algoritmos más elaborados pueden optar por combinar la estimación basada en píxeles con otros enfoques, como se describe a continuación. Los modelos FR suelen ser los más precisos a expensas de un mayor esfuerzo computacional. Como requieren la disponibilidad del video original antes de la transmisión o codificación, no se pueden usar en todas las situaciones (por ejemplo, cuando la calidad se mide desde un dispositivo cliente).
• Métodos de referencia reducida (RR): los modelos RR extraen algunas características de ambos videos y las comparan para dar una puntuación de calidad. Se utilizan cuando no se dispone de todo el vídeo original, o cuando sería prácticamente imposible hacerlo, por ejemplo, en una transmisión con un ancho de banda limitado. Esto los hace más eficientes que los modelos FR a expensas de una menor precisión.
• Métodos sin referencia (NR): los modelos NR intentan evaluar la calidad de un video distorsionado sin ninguna referencia a la señal original. Debido a la ausencia de una señal original, pueden ser menos precisos que los enfoques FR o RR, pero son más eficientes de calcular.
  • Métodos basados ​​en píxeles (NR-P): los modelos basados ​​en píxeles utilizan una representación decodificada de la señal y analizan la calidad en función de la información de los píxeles. Algunos de estos evalúan solo tipos de degradación específicos, como el desenfoque u otros artefactos de codificación .
  • Métodos paramétricos / de flujo de bits (NR-B): estos modelos utilizan características extraídas del contenedor de transmisión y / o flujo de bits de vídeo, por ejemplo , encabezados de paquetes MPEG-TS , vectores de movimiento y parámetros de cuantificación. No tienen acceso a la señal original y no requieren decodificación del video, lo que los hace más eficientes. A diferencia de los modelos NR-P, no tienen acceso a la señal decodificada final. Sin embargo, las predicciones de calidad de imagen que ofrecen no son muy precisas.
  • Métodos híbridos (Hybrid NR-PB): los modelos híbridos combinan parámetros extraídos del flujo de bits con una señal de video decodificada. Por lo tanto, son una mezcla entre los modelos NR-P y NR-B.

Uso de modelos de calidad de imagen para estimar la calidad de video

Algunos modelos que se utilizan para la evaluación de la calidad de video (como PSNR o SSIM ) son simplemente modelos de calidad de imagen , cuya salida se calcula para cada cuadro de una secuencia de video. Esta medida de calidad de cada cuadro se puede grabar y combinar a lo largo del tiempo para evaluar la calidad de una secuencia de video completa. Si bien este método es fácil de implementar, no tiene en cuenta ciertos tipos de degradaciones que se desarrollan con el tiempo, como los artefactos en movimiento causados ​​por la pérdida de paquetes y su ocultación . Un modelo de calidad de video que considere los aspectos temporales de la degradación de la calidad, como VQM o el índice MOVIE , puede producir predicciones más precisas de la calidad percibida por los humanos.

Ejemplos de

Métrico		Uso	Descripción
Referencia completa	PSNR (relación pico señal / ruido)	Imagen	Se calcula entre cada cuadro de la señal de video original y degradada. PSNR es la métrica de calidad de imagen objetiva más utilizada. Sin embargo, los valores de PSNR no se correlacionan bien con la calidad de imagen percibida debido al comportamiento complejo y altamente no lineal del sistema visual humano.
	SSIM [5] (similitud estructural)	Imagen	SSIM es un modelo basado en la percepción que considera la degradación de la imagen como un cambio percibido en la información estructural, al tiempo que incorpora importantes fenómenos de percepción, incluidos los términos de enmascaramiento de luminancia y enmascaramiento de contraste.
	MOVIE Index [6] Evaluación de la integridad de video basada en MOVIE	Video	El índice MOVIE es un modelo basado en la neurociencia para predecir la calidad de percepción de una película o video (posiblemente comprimido o distorsionado) frente a un video de referencia impecable.
	VMAF [7] Fusión de evaluación de múltiples métodos de video	Video	VMAF utiliza cuatro funciones para predecir la calidad de video VIF, DLM, MCPD, AN-SNR. Las características anteriores se fusionan mediante una regresión basada en SVM para proporcionar una única puntuación de salida. Luego, estas puntuaciones se agrupan temporalmente en toda la secuencia de vídeo utilizando la media aritmética para proporcionar una puntuación de opinión media diferencial general (DMOS).
Referencia reducida	SRR [8] (SSIM de referencia reducida)	Video	El valor SRR se calcula como la relación de la señal de vídeo SSIM recibida (objetivo) con los valores SSIM del patrón de vídeo de referencia.
	ST-RRED [9]	Video	Calcule los coeficientes de wavelet de las diferencias de cuadro entre los cuadros adyacentes en una secuencia de video (modelada por un GSM). Se utiliza para evaluar las diferencias entrópicas RR que conducen a RRED temporal. Junto con los índices RRED espaciales evaluados mediante la aplicación del índice RRED en cada fotograma del video, se obtiene el RRED espacio-temporal
Sin referencia	NIQE [10] Evaluador de calidad de imagen Naturalness	Imagen	Este modelo de IQA se basa en características de estadísticas de escena natural (NSS) de dominio espacial perceptualmente relevantes extraídas de parches de imágenes locales que capturan de manera efectiva las estadísticas esenciales de bajo orden de las imágenes naturales.
	BRISQUE [11] Evaluador de calidad espacial de imágenes ciegas / sin referencia	Imagen	El método extrae las estadísticas puntuales de las señales de luminancia normalizadas locales y mide la naturalidad de la imagen (o la falta de ella) en función de las desviaciones medidas de un modelo de imagen natural. También modela la distribución de estadísticas por pares de señales de luminancia normalizadas adyacentes que proporcionan información de orientación de distorsión.
	Video-BLIINDS [12]	Video	Calcula modelos estadísticos sobre los coeficientes DCT de las diferencias de cuadro y calcula la caracterización del movimiento. Puntuación de pedictos basada en esas características usando SVM

Además

En un artículo de revista de Shahid et al., Se ofrece una descripción general de los modelos recientes de calidad de imagen sin referencia . ^[4] Como se mencionó anteriormente, estos también se pueden usar para aplicaciones de video. El Grupo de expertos en calidad de video tiene un grupo de trabajo dedicado al desarrollo de métricas sin referencia (llamado NORM ).

Métricas basadas en Bitstream

Las métricas de referencia completa o reducida aún requieren acceso al flujo de bits de video original antes de la transmisión, o al menos parte de él. En la práctica, es posible que un flujo original no siempre esté disponible para la comparación, por ejemplo, cuando se mide la calidad desde el lado del usuario. En otras situaciones, un operador de red puede querer medir la calidad de las transmisiones de video que pasan a través de su red, sin decodificarlas por completo. Para una estimación más eficiente de la calidad del video en tales casos, también se han estandarizado métricas paramétricas / basadas en bitstream:

• Rec. UIT-T P.1201 , 2012
• Rec. UIT-T P.1202 , 2012
• Rec. UIT-T P.1203.1 , 2016

Evaluación de la formación y el desempeño

Dado que se espera que los modelos objetivos de calidad de video predigan los resultados dados por observadores humanos, se desarrollan con la ayuda de resultados de pruebas subjetivos . Durante el desarrollo de un modelo objetivo, sus parámetros deben entrenarse para lograr la mejor correlación entre los valores predichos objetivamente y las puntuaciones subjetivas, a menudo disponibles como puntuaciones medias de opinión (MOS).

Los materiales de prueba subjetivos más utilizados son de dominio público e incluyen imágenes fijas, películas, transmisión de video, alta definición, 3-D (estereoscópico) y conjuntos de datos relacionados con la calidad de imagen para propósitos especiales. ^[13] Estas llamadas bases de datos son creadas por varios laboratorios de investigación de todo el mundo. Algunos de ellos se han convertido en estándares de facto, incluidas varias bases de datos de calidad de imagen subjetiva de dominio público creadas y mantenidas por el Laboratorio de Ingeniería de Imagen y Video (LIVE) , así como la Base de Datos de Imágenes de Tampere 2008 . Puede encontrar una colección de bases de datos en el repositorio de bases de datos de QUALINET . La Consumer Digital Video Library (CDVL) alberga secuencias de prueba de video disponibles gratuitamente para el desarrollo de modelos.

En teoría, un modelo se puede entrenar en un conjunto de datos de tal manera que produzca puntajes que coincidan perfectamente en ese conjunto de datos. Sin embargo, dicho modelo estará sobreentrenado y, por lo tanto, no funcionará bien en nuevos conjuntos de datos. Por lo tanto, se recomienda validar los modelos con datos nuevos y utilizar el rendimiento resultante como un indicador real de la precisión de la predicción del modelo.

Para medir el rendimiento de un modelo, algunas métricas de uso frecuente son el coeficiente de correlación lineal , el coeficiente de correlación de rango de Spearman y la raíz del error cuadrático medio (RMSE). Otras métricas son el coeficiente kappa y la relación de valores atípicos . Rec. UIT-T La página 1401 ofrece una descripción general de los procedimientos estadísticos para evaluar y comparar modelos objetivos.

Usos y aplicación de modelos objetivos

Los modelos de calidad de video objetivo se pueden utilizar en varias áreas de aplicación. En el desarrollo de códec de video , el rendimiento de un códec a menudo se evalúa en términos de PSNR o SSIM. Para los proveedores de servicios, los modelos objetivos se pueden utilizar para monitorear un sistema. Por ejemplo, un proveedor de IPTV puede optar por monitorear la calidad de su servicio por medio de modelos objetivos, en lugar de pedir a los usuarios su opinión o esperar las quejas de los clientes sobre la mala calidad del video. Pocos de estos estándares han encontrado aplicaciones comerciales, incluidos PEVQ y VQuad-HD . SSIM también es parte de un conjunto de herramientas de calidad de video disponible comercialmente (SSIMWAVE). VMAF es utilizado por Netflix para sintonizar su codificación y algoritmos de streaming, y para el control de calidad de todo contenido transmitido. ^{[14] [15]} También está siendo utilizado por otras empresas de tecnología como Bitmovin ^[16] y se ha integrado en software como FFmpeg .

Un modelo objetivo solo debe usarse en el contexto para el que fue desarrollado. Por ejemplo, no se garantiza que un modelo que se desarrolló utilizando un códec de video en particular sea preciso para otro códec de video. De manera similar, un modelo entrenado en pruebas realizadas en una pantalla de televisión grande no debe usarse para evaluar la calidad de un video visto en un teléfono móvil.

Otros enfoques

Al estimar la calidad de un códec de video, todos los métodos objetivos mencionados pueden requerir la repetición de pruebas posteriores a la codificación para determinar los parámetros de codificación que satisfacen un nivel requerido de calidad visual, lo que los hace largos, complejos y poco prácticos para su implementación en aplicaciones comerciales reales. . Existe una investigación en curso para desarrollar nuevos métodos de evaluación objetiva que permitan predecir el nivel de calidad percibido del video codificado antes de que se realice la codificación real. ^[17]

Artefactos de calidad de video

Todos los artefactos visuales siguen siendo valiosos para la calidad del video. Los atributos únicos no mencionados incluyen

Espacial

• Desenfocado : resultado de la pérdida de detalles de la imagen de alta frecuencia espacial, generalmente en los bordes nítidos.
• Bloqueo : es causado por múltiples algoritmos debido a la representación interna de una imagen con bloques de tamaño 8, 16 o 32. Con parámetros específicos, pueden promediar píxeles dentro de un bloque haciendo que los bloques sean distintos.
• Timbre , eco o imagen fantasma: toma la forma de un "halo", una banda o un "fantasma" cerca de los bordes afilados.
• Sangrado de color : se produce cuando los bordes de un color de la imagen sangran o se superponen involuntariamente con otro color.
• Ruido de escalera : es un caso especial de bloqueo a lo largo de un borde diagonal o curvo. En lugar de renderizarse como suave, adquiere la apariencia de escalones

Temporal

• Parpadeo : suele ser un brillo frecuente o cambios de color a lo largo de la dimensión del tiempo. A menudo se manifiesta como un parpadeo de grano fino y un parpadeo de grano grueso.
• Ruido de mosquito : una variante del parpadeo, se tipifica como nebulosidad y / o brillo alrededor del contenido de alta frecuencia (transiciones bruscas entre las entidades de primer plano y el fondo o bordes duros).
• Flotante : se refiere al movimiento ilusorio en ciertas regiones mientras que las áreas circundantes permanecen estáticas. Visualmente, estas regiones parecen flotar sobre el fondo circundante.
• Sacudidas o vibraciones : es el movimiento desigual o inestable que se percibe debido al muestreo del cuadro. A menudo se debe a la conversión de películas de 24 fps a un formato de video de 30 o 60 fps.

La mayoría de ellos se pueden agrupar en artefactos de compresión.

Calidad de video subjetiva

El objetivo principal de muchas métricas objetivas de calidad de video es estimar automáticamente la opinión del usuario promedio (espectador) sobre la calidad de un video procesado por un sistema. Los procedimientos para las mediciones subjetivas de la calidad de vídeo se describen en la recomendación UIT-R BT.500 y la recomendación UIT-T P.910 . En tales pruebas, las secuencias de video se muestran a un grupo de espectadores. La opinión de los espectadores se registra y se promedia en la puntuación de opinión media para evaluar la calidad de cada secuencia de video. Sin embargo, el procedimiento de prueba puede variar según el tipo de sistema que se pruebe.

Herramientas para la evaluación de la calidad del video

Herramienta	Disponibilidad	Métricas incluidas
FFmpeg	Libre	PSNR, SSIM, VMAF
MSU VQMT	Gratis para métricas básicas Pagado por métricas HDR	PSNR, SSIM, MS-SSIM, 3SSIM, VMAF, NIQE, VQM, Delta, MSAD, MSE Métricas desarrolladas por MSU: métrica de desenfoque, métrica de bloqueo, métrica de parpadeo de brillo, métrica de fotograma suelto, métrica de estimación de ruido
EPFL VQMT	Libre	PSNR, PSNR-HVS, PSNR-HVS-M, SSIM, MS-SSIM, VIFp
OpenVQ	Libre	PSNR, SSIM, OPVQ: la métrica de calidad de video de percepción abierta
Elecard	Versión de demostración disponible	PSNR, APSNR, MSAD, MSE, SSIM, Delta, VQM, NQI, VMAF и VMAF phone, VIF
AviSynth	Libre	SSIM
Sonda VQ	Libre	PSNR, SSIM, VMAF

• FFmpeg : FFmpeg es el marco multimedia líder, capaz de decodificar, codificar, transcodificar, mux, demux, transmitir, filtrar y reproducir prácticamente cualquier cosa que los humanos y las máquinas hayan creado. Es compatible con los formatos antiguos más oscuros hasta la vanguardia. No importa si fueron diseñados por algún comité de estándares, la comunidad o una corporación. También es altamente portátil: FFmpeg compila, ejecuta y pasa nuestra infraestructura de prueba FATE en Linux, Mac OS X, Microsoft Windows, BSD, Solaris, etc.en una amplia variedad de entornos de construcción, arquitecturas de máquinas y configuraciones.
• MSU VQMT : la herramienta de medición de calidad de video de MSU (VQMT) es un programa para la evaluación objetiva de la calidad de video. Proporciona funcionalidad para comparaciones tanto de referencia completa (se examinan dos videos) como de referencia única (se analiza un video).
• EPFL VQMT : este software proporciona implementaciones rápidas de las siguientes métricas objetivas: PSNR, SSIM, MS-SSIM, VIFp, PSNR-HVS, PSNR-HVS-M. En este software, las métricas anteriores se implementan en OpenCV (C ++) según las implementaciones originales de Matlab proporcionadas por sus desarrolladores.
• OpenVQ : OpenVQ es un conjunto de herramientas de evaluación de la calidad de video. El objetivo de este proyecto es proporcionar a cualquier persona interesada en la evaluación de la calidad de video un conjunto de herramientas que a) proporcione implementaciones de métricas de calidad de video listas para usar; yb) facilita la implementación de otras métricas de calidad de video.
• Elecard : herramienta de medición de calidad de video diseñada para comparar la calidad de transmisiones codificadas en función de métricas objetivas, como PSNR, APSNR, SSIM, DELTA, MSE, MSAD, VQM, NQI, VMAF y VMAF, VIF.
• AviSynth : AviSynth es una poderosa herramienta para la postproducción de videos. Proporciona formas de editar y procesar videos. AviSynth funciona como un servidor de marcos, proporcionando edición instantánea sin la necesidad de archivos temporales. AviSynth en sí no proporciona una interfaz gráfica de usuario (GUI), sino que se basa en un sistema de secuencias de comandos que permite la edición no lineal avanzada.
• VQ Probe : VQ Probe es un instrumento visual profesional para la comparación objetiva y subjetiva de la calidad de video. La herramienta permite a los usuarios comparar diferentes estándares de códecs, crear curvas RD y calcular tasas de BD.

Predicción de QoE para calidad de video

La predicción de QoE en videos es un gran desafío debido a las múltiples situaciones que pueden surgir y al carácter subjetivo de QoE. Por este motivo, para predecir la QoE de la forma más precisa, tenemos que hacernos de un buen clasificador que pueda detectar la mayoría de tipos de errores o situaciones inesperadas que afecten a la calidad del video.Algunos estudios han demostrado que un Clasificador de Proceso Gaussiano da buenos resultados. resultados para este tipo de clasificación. ^[18]

Ver también

• Glosario de términos de video
• MDI
• Puntuación de opinión media
• Índice de películas
• PSNR
• SSIM
• Calidad de video subjetiva
• Códecs de video
• VMAF
• Fidelidad de la información visual

Referencias

1. Raake, Alexander (2006). Calidad del habla de VoIP: evaluación y predicción . Wiley InterScience (servicio en línea). Chichester, Inglaterra: Wiley. ISBN 9780470030608. OCLC  85785040 .
2. Möller, Sebastián (2000). Evaluación y predicción de la calidad del habla en telecomunicaciones . Boston, MA: Springer EE. UU. ISBN 9781475731170. OCLC  851800613 .
3. Raake, Alexander; Egger, Sebastián (2014). Calidad de experiencia . Serie T-Labs en servicios de telecomunicaciones. Springer, Cham. págs. 11–33. doi : 10.1007 / 978-3-319-02681-7_2 . ISBN 9783319026800.
4. Shahid, Muhammad; Rossholm, Andreas; Lövström, Benny; Zepernick, Hans-Jürgen (14 de agosto de 2014). "Evaluación de calidad de imagen y video sin referencia: una clasificación y revisión de enfoques recientes" . Revista EURASIP sobre procesamiento de imágenes y videos . 2014 : 40. doi : 10.1186 / 1687-5281-2014-40 . ISSN  1687-5281 .
5. Wang, Zhou; Bovik, AC; Sheikh, HR; Simoncelli, EP (1 de abril de 2004). "Evaluación de la calidad de la imagen: de la visibilidad del error a la similitud estructural". Transacciones IEEE sobre procesamiento de imágenes . 13 (4): 600–612. Código Bibliográfico : 2004ITIP ... 13..600W . CiteSeerX  10.1.1.2.5689 . doi : 10.1109 / TIP.2003.819861 . ISSN  1057-7149 . PMID  15376593 .
6. Seshadrinathan, K .; Bovik, AC (1 de febrero de 2010). "Evaluación de la calidad espacio-temporal ajustada al movimiento de videos naturales". Transacciones IEEE sobre procesamiento de imágenes . 19 (2): 335–350. CiteSeerX  10.1.1.153.9018 . doi : 10.1109 / TIP.2009.2034992 . ISSN  1057-7149 . PMID  19846374 .
7. vmaf: Evaluación de la calidad de video perceptual basada en la fusión de múltiples métodos , Netflix, Inc., 2017-07-14 , consultado 2017-07-15
8. Kourtis, M.-A .; Koumaras, H .; Liberal, F. (julio-agosto de 2016). "Evaluación de la calidad de video de referencia reducida usando un patrón de video estático" . Revista de imágenes electrónicas . doi : 10.1117 / 1.jei.25.4.043011 .
9. Soundararajan, R .; Bovik, AC (4 de abril de 2013). "Evaluación de la calidad de video por diferenciación entrópica espacio-temporal de referencia reducida". Transacciones IEEE sobre circuitos y sistemas para tecnología de video . 23 : 684–694. doi : 10.1109 / tcsvt.2012.2214933 .
10. Mittal, A .; Soundararajan, R .; Bovik, AC (marzo de 2013). "Hacer un analizador de calidad de imagen" completamente ciego ". Cartas de procesamiento de señales IEEE . 20 : 209–212. doi : 10.1109 / lsp.2012.2227726 .
11. Mittal, A .; Moorthy, AK; Bovik, AC (9 de noviembre de 2011). "Evaluador de calidad espacial de imágenes ciegas / sin referencias". 2011 Conferencia Record de la Cuadragésima Quinta Conferencia de Asilomar sobre Señales, Sistemas y Computadoras (ASILOMAR) . doi : 10.1109 / acssc.2011.6190099 .
12. Saad, MA; Bovik, AC; Charrier, C. (marzo de 2014). "Predicción ciega de la calidad del vídeo natural". Transacciones IEEE sobre procesamiento de imágenes . 23 (3): 1352-1365. CiteSeerX  10.1.1.646.9045 . doi : 10.1109 / tip.2014.2299154 . ISSN  1057-7149 . PMID  24723532 .
13. Liu, Tsung-Jung; Lin, Yu-Chieh; Lin, Weisi; Kuo, C.-C. Jay (2013). "Evaluación de la calidad visual: desarrollos recientes, aplicaciones de codificación y tendencias futuras" . Transacciones APSIPA sobre procesamiento de señales e información . 2 . doi : 10.1017 / atsip.2013.5 . ISSN  2048-7703 .
14. Blog, Tecnología Netflix (06/06/2016). "Hacia una métrica práctica de calidad de vídeo perceptual" . Netflix TechBlog . Consultado el 8 de octubre de 2017 .
15. Blog, Tecnología Netflix (2018-10-26). "VMAF: el viaje continúa" . Medio . Consultado el 23 de octubre de 2019 .
16. "Adaptación por escena: ir más allá de la tasa de bits" . Bitmovin . 2018-01-05 . Consultado el 23 de octubre de 2019 .
17. Koumaras, H .; Kourtis, A .; Martakos, D .; Lauterjung, J. (1 de septiembre de 2007). "Evaluación de PQoS cuantificada basada en la estimación rápida del nivel de actividad espacial y temporal". Herramientas y aplicaciones multimedia . 34 (3): 355–374. doi : 10.1007 / s11042-007-0111-1 . ISSN  1380-7501 . S2CID  14136479 .
18. López, Manuel. "Modelo de aprendizaje profundo para la predicción de la calidad de la experiencia multimedia basado en paquetes de flujo de red" . IEEE .

Otras lecturas

• Recomendaciones del UIT-R sobre calidad de vídeo subjetiva
• Recomendaciones del UIT-T sobre calidad de vídeo objetiva y subjetiva