Qu’est-ce que VMAF ?
VMAF est une métrique perceptuelle avec référence complète développée par Netflix avec des collaborateurs du monde universitaire pour prédire la qualité vidéo subjective à partir de séquences de référence et de séquences dégradées. Elle combine plusieurs caractéristiques de qualité d’image en un score.
Comment fonctionne VMAF
VMAF évalue une séquence dégradée par rapport à une source correspondante dans le temps et dans l’espace, extrait plusieurs caractéristiques perceptuelles et les fusionne au moyen d’un modèle entraîné. Cette approche l’oriente davantage vers l’expérience de visionnage qu’une simple formule d’erreur par pixel, mais le résultat reflète toujours le modèle, le prétraitement et la méthode d’agrégation sélectionnés. Les pipelines d’encodage l’utilisent pour des expériences de compression et de mise à l’échelle, des tests de régression et l’analyse des échelles de débits, puis confirment les décisions importantes par l’examen des scènes et les observations lors de la lecture. Les résultats ne doivent pas être généralisés aux pertes de paquets, à la corruption ou à d’autres classes d’artefacts absentes des données d’entraînement d’un modèle.
Points clés
- Les images de référence et les images dégradées doivent représenter les mêmes instants et présenter une géométrie comparable ; des décalages, des pertes d’images ou une mise à l’échelle incohérente peuvent conduire à mesurer un défaut d’alignement plutôt qu’une dégradation.
- Un résultat VMAF est lié à un modèle et à une configuration d’outil particuliers. Il ne faut pas supposer que des scores produits avec des modèles ou des réglages de prétraitement différents sont directement comparables.
- Un score agrégé unique peut masquer une courte scène fortement dégradée. Les courbes par image et les synthèses du bas de la distribution ou par scène aident à révéler des défauts de qualité localisés.
Quand VMAF est important
Les équipes d’encodage calculent VMAF lorsqu’elles comparent des codecs, des choix de mise à l’échelle, des réglages d’encodeur ou des échelles de débits. Les résultats dépendent du modèle sélectionné, de la référence et des types d’artefacts représentés dans les données d’entraînement de ce modèle ; un score ne doit donc pas remplacer les tests de lecture.