视频质量评估（VQA）模型概述：经典模型和最新进展

除了空间伪影之外，视频压缩中引入的时间伪影，如闪烁、抖动和漂浮，应在VQA中考虑。VQM和MOVIE是两个经典的VQA。在VQM[77]中，计算了空间信息丢失、色度扩散、空间增益、时间损伤和局部颜色损伤以及边缘偏移等七个关键特征，并用经验加权求和融合。在MOVIE[82]中，参考和失真的视频被多个Gabor滤波器分解，并用空间和时域的Gabor系数差异测量质量退化。最后，两种退化被乘法融合。在[73]中，使用log-Gabor滤波器提取HDR视频中子带失真的质量特征。在[37]中，通过考虑基于低通滤波器的对比度灵敏度、视觉注意力和基于时空随机性的掩蔽效应，开发了感知加权MSE度量。Li等人[58]提出了一种实用的视频流感知VQA，命名为Video Multi-method评估Fusion（VMAF）。通过学习支持向量机（SVM）模型，它融合了四个现有指标的分数，包括抗噪声信噪比（AN-SNR）、细节损失测量（DLM）、视觉信息保真度（VIF）和平均协同定位像素差（MCPD）。然而，VMAF使用平均帧差作为唯一的时间特征，它与视频内容而不是时间失真高度相关。为了处理这个问题，Bampis等人[3]提出了一种时空VMAF（ST-VMAF），通过考虑时间掩蔽来测量时间失真。它对帧差异的带通滤波映射进行建模，并使用熵差异来预测视频质量。此外，通过聚合常规VMAF[58]和增强的ST-VMAF，提出了一种集成VMAF（E-VMAF）方案。Kim等人[106]使用CNN为每个帧提取时空视觉特征，这些特征与卷积神经聚合网络（CNAN）进行时间池化。[113]提出了一种基于3D-CNN的VQA模型，称为C3DVQA，它由双流2D卷积层组成，用于从失真和残差帧中学习空间特征，3D卷积层学习时空特征，回归层预测视觉质量。

总结一下这段话内容：这段话主要介绍了一些视频质量评估（VQA）模型，包括经典的VQM和MOVIE，以及一些新的模型，如VMAF、ST-VMAF、E-VMAF、C3DVQA等。这些模型考虑了视频压缩中的空间伪影和时间伪影等不同特征，并使用不同的方法来测量视频质量。其中一些模型使用了CNN等深度学习方法来提取时空视觉特征。