¿Qué es VMAF?
VMAF es una métrica perceptual de referencia completa desarrollada por Netflix con colaboradores académicos para predecir la calidad subjetiva del video a partir de secuencias de referencia y secuencias distorsionadas. Combina varias características de calidad de imagen en una puntuación.
Cómo funciona VMAF
VMAF evalúa una secuencia degradada frente a una fuente correspondiente en tiempo y espacio, extrae varias características perceptuales y las fusiona mediante un modelo entrenado. Esto la orienta más a la experiencia de visualización que una única fórmula de error de píxeles, pero el resultado sigue reflejando el modelo, el preprocesamiento y el método de agregación seleccionados. Los pipelines de encoding la usan para experimentos de compresión y escalado, pruebas de regresión y análisis de escaleras de variantes, y luego confirman las decisiones importantes mediante la inspección de escenas y la evidencia obtenida durante la reproducción. Los resultados no deberían generalizarse a la pérdida de paquetes, la corrupción de datos u otras clases de artefactos ausentes de los datos de entrenamiento de un modelo.
Datos clave
- Los fotogramas de referencia y los distorsionados deben representar los mismos instantes y una geometría de imagen comparable; los desfases, los fotogramas perdidos o un escalado incoherente pueden hacer que se mida la falta de alineación en lugar de la degradación.
- Un resultado de VMAF está vinculado a un modelo y una configuración de la herramienta específicos. No debería suponerse que las puntuaciones producidas con modelos o ajustes de preprocesamiento diferentes sean directamente comparables.
- Una única puntuación agregada puede ocultar una escena breve gravemente dañada. Los registros por fotograma y los resúmenes de la cola inferior de la distribución o por escena ayudan a revelar fallos de calidad localizados.
Cuándo es importante VMAF
Los equipos de encoding calculan VMAF al comparar códecs, opciones de escalado, ajustes de codificadores o escaleras de tasas de bits. Los resultados dependen del modelo, la referencia y los tipos de artefactos representados en los datos de entrenamiento de ese modelo, por lo que una puntuación no debería sustituir las pruebas de reproducción.