O que é VMAF?
VMAF é uma métrica perceptual de referência completa desenvolvida pela Netflix com colaboradores acadêmicos para prever a qualidade subjetiva de vídeo a partir de sequências de referência e sequências distorcidas. Ela combina várias características de qualidade de imagem em uma pontuação.
Como funciona o VMAF
O VMAF avalia uma sequência degradada em relação a uma fonte correspondente no tempo e no espaço, extrai várias características perceptuais e as combina por meio de um modelo treinado. Isso o torna mais orientado à experiência de visualização do que uma única fórmula de erro de pixels, mas o resultado ainda reflete o modelo, o pré-processamento e o método de agregação selecionados. Pipelines de codificação usam o VMAF em experimentos de compressão e redimensionamento, testes de regressão e análises de escadas de taxas de bits, depois confirmam decisões importantes com inspeção de cenas e evidências de reprodução. Os resultados não devem ser generalizados para perda de pacotes, corrupção ou outras classes de artefatos ausentes dos dados de treinamento de um modelo.
Informações essenciais
- Os quadros de referência e os quadros distorcidos devem representar os mesmos momentos e ter geometria de imagem comparável; deslocamentos, perda de quadros ou redimensionamento inconsistente podem fazer a medição refletir desalinhamento em vez de degradação.
- Um resultado de VMAF está vinculado a um modelo e a uma configuração de ferramenta específicos. Não se deve presumir que pontuações produzidas com modelos ou configurações de pré-processamento diferentes sejam diretamente comparáveis.
- Uma única pontuação agregada pode ocultar uma cena curta e gravemente danificada. Séries de pontuações por quadro e resumos da cauda inferior da distribuição ou por cena ajudam a revelar falhas localizadas de qualidade.
Quando o VMAF é importante
Equipes de codificação calculam o VMAF ao comparar codecs, opções de redimensionamento, configurações do codificador ou escadas de taxas de bits. Os resultados dependem do modelo selecionado, da referência e dos tipos de artefatos representados nos dados de treinamento desse modelo, por isso uma pontuação não deve substituir os testes de reprodução.