莫斯科国立大学更新VQMT的测量指标

简介: 与Netflix的VMAF一样,莫斯科国立大学的VQMT也是非常流行的视频质量评价工具。

0?wx_lazy=1


与Netflix的VMAF一样,莫斯科国立大学的VQMT也是非常流行的视频质量评价工具。日前,莫斯科国立大学更新了VQMT,包括采用了新的指标,并支持同时运行多个分析器等,这使得新版VQMT的测量效果更佳。Streaming Media对此进行了报道,LiveVideoStack对本文进行了摘译。


文 / Jan Ozer

译 / 王月美

审校 / 包研


莫斯科国立大学的视频质量测量工具(VQMT)一直是可用的最便宜和最实用的质量测量工具之一。最新的更新版本(10.0和10.1)增加了一些新的指标,并提供重要的用户界面、性能和功能的增强,使其成为所有流媒体视频制作商所必备的升级版本。


作为背景资料,VQMT是一个Windows应用程序,它也可以在Windows和Linux环境中通过命令行运行。VQMT是一个非常灵活的工具,它包含了超过15个指标,包括参考和非参考指标,具有许多不同的变化。UI版本可以将一个或两个压缩文件与单个源文件进行比较,这对比较不同的编码技术或编码配置非常有用。


在UI版本中,VQMT绘制了结果图(见图1),以便您可以评估文件所持续时间内的性能,并确定问题区域。例如,图1比较了摘自Tears of Steel的同一个文件,使用了恒定比特率编码(绿色)和新的VMAF度量测量的200%约束VBR编码(橙色)两种进行编码。尽管平均得分非常接近,但大约30%的绿色下降表明存在潜在的问题区域,最右边的急剧下降亦是如此。


640?wx_fmt=bmp

图1. CBR和200%受限VBR的比较结果图。 请注意左上方的多个选项卡,如下所述。


您可以将滑块移动到图形中的任意一点,然后单击右下角的Show Frame(显示框),查看源文件和两个编码帧。这是识别任何问题区域并查看分数是否真实反映了观众可注意到的视频效果的好方法。


主要新功能


就新指标而言,列表中Netflix的视频质量测试工具非常多。自从它出现在10.0的测试版中以来,我一直都在使用VMAF,起初的分析是单线程的,而且速度非常慢。自那以后,MSU在像我的HP Z840这样的多核计算机上加速性能方面做得非常出色; 而VMAF仍然很慢,因为它涉及多个度量标准,这些在现在是非常实用的。据报道,10.1中新增的功能是NIQE指标,是目前可用的最佳非参考指标之一。


从用户界面的角度来看,10.0版本代表了一个完整的重写,而这在最初是震惊众人的,但最终又是非常优秀的。有多种可用性增强功能,包括拖动和将文件拖放到主屏幕中的功能,非常便利。 更重要的是能够同时运行多个测试,如上图左上角的多个选项卡所示。


也就是说,您开始进行度量计算时,您可以将新的压缩文件和源文件加载到程序中,然后开始另一个分析。在以前的版本中,初始计算完成之前程序是被锁定的。虽然你可以加载程序的多个实例(并且你仍然可以),但这很麻烦并且很容易崩溃。我已经在10.1版本中同时进行了10次分析,期间没有太多短暂的停顿,这是一种充分利用我的Z840上40个内核的好方法。


命令行中另一个强大的可用性增强功能是能够分析不同分辨率的文件,而无需先将其转换为Y4M格式。例如,要在以前版本中比较720p文件与1080p源文件,必须先将720p文件缩放为1080p Y4M文件。这一过程非常简单快捷,但却是一个额外的步骤。如果您在一夜之间或一个周末之内分析100个文件,和/或使用4K或更大型文件,则可能就没有可用的磁盘空间。在10版本中,您现在可以计算任何度量标准,而无需先转换为Y4M。


举个例子,我最近完成了一个2700p60p的VR项目,其中包含3分钟的测试文件,每个文件的大小为150GB,格式为Y4M。 如果我必须预先转换再测试,我可以测试大约5个文件而不会耗尽磁盘空间,这是一个严重的限制。而有了这种新功能,磁盘空间不再是问题。


尽管这些功能听起来很温和,但它们极大地提高了VQMT的测试吞吐量。如果客观质量指标是您的配置和测试实践中的重要组成部分(而且他们应该是),那这些最新升级是绝对有必要的。


WebRTCon 2018


经历了起跑、 热炒、失落的7年长跑后,伴随1.0版定稿,获得iOS端支持,WebRTC具备了打通主流生态系统和端的能力,2018年也将是WebRTC落地的最好时机。由LiveVideoStack音视频技术社区出品,WebRTCon 2018将于5月在上海举行,这是一次对过去几年WebRTC技术实践与应用落地的总结。扫描下图二维码了解详情。


640?wx_fmt=jpeg


相关文章
|
2月前
GEE案例——一个完整的火灾监测案例dNBR差异化归一化烧毁指数
GEE案例——一个完整的火灾监测案例dNBR差异化归一化烧毁指数
55 0
|
2月前
|
存储 人工智能
GEE数据集——2024 年日本海地震的紧急观测数据
GEE数据集——2024 年日本海地震的紧急观测数据
31 4
|
8月前
|
机器学习/深度学习 数据采集 运维
时间序列预测:轻松拿捏趋势、季节性和周期性
「时间序列预测」是指基于历史数据对未来进行预测。它通常被应用于诸如经济、金融、股票、气象、市场营销和运营管理等领域中。 具体来说,「时间序列预测」是对时间序列数据的趋势、季节性和周期性进行分析并建立数学模型,通过这些模型的拟合和预测,来描述时间序列中的趋势变化及规律,进而进行未来变化的预测。
725 0
生态系统服务—土壤侵蚀强度分布数据/降雨侵蚀力/土壤保持量
生态系统服务—土壤侵蚀强度分布数据/降雨侵蚀力/土壤保持量
生态系统服务—土壤侵蚀强度分布数据/降雨侵蚀力/土壤保持量
|
编解码 Java BI
10米精度NPP净初级生产力数据/NDVI数据/植被类型数据/土地利用数据/降雨气温分布数据/太阳辐射分布数据
10米精度NPP净初级生产力数据/NDVI数据/植被类型数据/土地利用数据/降雨气温分布数据/太阳辐射分布数据
10米精度NPP净初级生产力数据/NDVI数据/植被类型数据/土地利用数据/降雨气温分布数据/太阳辐射分布数据
|
编解码 BI 定位技术
全国多年平均降水量空间分布数据1951-2021年、气温分布数据、蒸散量数据、蒸发量数据、太阳辐射数据、日照数据、风速数据
全国多年平均降水量空间分布数据1951-2021年、气温分布数据、蒸散量数据、蒸发量数据、太阳辐射数据、日照数据、风速数据
全国多年平均降水量空间分布数据1951-2021年、气温分布数据、蒸散量数据、蒸发量数据、太阳辐射数据、日照数据、风速数据
|
机器学习/深度学习 数据采集 人工智能
【时序预测】之水质净化厂工艺控制-曝气量预测(上)
【时序预测】之水质净化厂工艺控制-曝气量预测(上)
195 1
【时序预测】之水质净化厂工艺控制-曝气量预测(上)
【时序预测】之水质净化厂工艺控制-曝气量预测(下)
【时序预测】之水质净化厂工艺控制-曝气量预测(下)
114 0
【时序预测】之水质净化厂工艺控制-曝气量预测(下)
|
传感器 算法
河北稳控科技VM系列振弦采集模块频率计算与质量评定
运用采集到的若干信号样本数据, 首先估算得到一个频率值,称为“ 伪频率值” ;然后在模块异常数据剔除算法模型中, 以寄存器 CAL_PAR1 的值作为主要判定参数, 每个采样值与伪频率值进行运算,将不符合要求的异常数据进行剔除, 剩余数据被认定为“ 优质” 样本; 原始样本标准差、 优质样本标准差分别保存于寄存器 SIG_STD.[15:8]和 SIG_STD.[7:0]中, 优质样本数量更新到寄存器 HQ_COUNT 中, 优质样本质量评定值保存于寄存器 SMP_QUA 中,最终的传感器频率值和频模值分别更新到寄存器 S_FRQ 和寄存器 F_REQM。
河北稳控科技VM系列振弦采集模块频率计算与质量评定
|
算法
Google Earth Engine——TRMM/3B43在每个日历月执行一次,通过将3小时合并的高质量/红外估计值(3B42)与每月累积的全球降水气候学中心(GPCC)雨量计分析相结合降水预测
Google Earth Engine——TRMM/3B43在每个日历月执行一次,通过将3小时合并的高质量/红外估计值(3B42)与每月累积的全球降水气候学中心(GPCC)雨量计分析相结合降水预测
211 0
Google Earth Engine——TRMM/3B43在每个日历月执行一次,通过将3小时合并的高质量/红外估计值(3B42)与每月累积的全球降水气候学中心(GPCC)雨量计分析相结合降水预测