Cut-FUNQUE：面向压缩色调映射高动态范围视频的客观质量评估模型及其在视觉感知研究中的应用

本文推荐一篇关于高动态范围（HDR）视频质量评估的前沿研究。作者提出Cut-FUNQUE模型，有效预测经色调映射（Tone-Mapping）和压缩处理后的HDR视频质量。该模型整合感知均匀颜色编码（PUColor）、分块加权策略和统计相似性度量，在保证高精度的同时大幅降低计算成本，为流媒体场景下的视觉质量评估提供高效解决方案。

　　

Highlight

Cut-FUNQUE

如第2节所述，成功的色调映射视频质量模型均为混合型模型，既包含全参考特征也包含无参考特征，例如TMQI中的结构性和自然度项。此外，随着可用数据集规模的增加，基于特征的模型已成为质量建模的强大工具，无论是无参考模型（如V-BLIINDS、VIDEVAL和HIGRADE）还是全参考方法（如VMAF和FUNQUE框架）。

Evaluating objective quality models

在本节中，我们报告了针对文献中一组基线质量模型评估Cut-FUNQUE模型有效性的结果。此外，我们以消融研究的形式分析了Cut-FUNQUE模型中提出的各种新颖组合的有效性。为了进行这些评估，我们利用了最近开发的LIVE-TMHDR数据库。

Conclusion

我们开发并验证了一种名为Cut-FUNQUE的新型模型，旨在预测经色调映射和压缩的HDR视频的感知质量。对Cut-FUNQUE的质量预测准确性和计算复杂性进行分析表明，其达到了与最先进的深度质量模型MSML相当的准确性，而仅使用了其计算成本的一小部分（不到5%）。此外，通过利用LIVE-HDR数据库证明其有效性，我们进一步展示了该模型的泛化能力。

CRediT authorship contribution statement

Abhinau K. Venkataramanan：撰写初稿，可视化，验证，方法设计，研究实施，概念形成。Cosmin Stejerean：审阅与编辑，方法设计，概念形成。Ioannis Katsavounidis：审阅与编辑，验证，概念形成。Hassene Tmar：审阅与编辑，项目管理，概念形成。Alan C. Bovik：审阅与编辑，研究指导，方法设计，资金获取，概念形成。

Declaration of competing interest

作者声明以下财务利益/个人关系可能被视为潜在竞争利益：Abhinau K. Venkataramanan报告称获得Meta Platforms Inc.的财务支持。Abhinau K. Venkataramanan报告与Samsung Research America存在雇佣关系。如有其他作者，他们声明无已知可能影响本工作的竞争性财务利益或个人关系。