DOVER

DOVER

创新解耦视频质量评估方法

DOVER是一种创新的视频质量评估方法,将审美和技术两个维度解耦,为用户生成内容提供全面评估。该方法从现有UGC-VQA数据集中分离这两个维度,并提供了包括轻量级DOVER-Mobile在内的多个版本。项目开源了代码、演示和权重,支持单视频和批量视频集评估,并提供了详细的安装使用说明。DOVER在多个基准数据集上取得了领先性能,为视频质量评估领域带来了新的研究方向。

DOVER视频质量评估美学和技术评估用户生成内容深度学习Github开源项目

DOVER

[ICCV2023]论文《从美学和技术角度探索用户生成内容的视频质量评估》的官方代码。 分离目标视频质量评估器(DOVER)的官方代码、演示和权重。

  • 2023年11月22日:我们将DOVERDOVER++的权重上传到Hugging Face模型。
  • 2023年11月21日:更新了DIVIDE数据库的发布说明。
  • 2023年8月1日:发布了DOVER的ONNX转换脚本。简短提示:安装后,运行此脚本然后运行此脚本
  • 2023年7月17日:DOVER被ICCV2023接收。
  • 2023年2月9日:DOVER-Mobile现已推出!在CPU上以超高速度评估!
  • 2023年1月16日:完整训练代码可用(包括LVBS)。详见下文。
  • 2022年12月10日:现在评估工具可以直接为任何视频预测融合得分。参见此处

访问者 最先进的 <a href="https://colab.research.google.com/github/taskswithcode/DOVER/blob/master/TWCDOVER.ipynb"><img src="https://yellow-cdn.veclightyear.com/835a84d5/108ea3d6-ea6b-45af-968a-6009b0b8283b.svg" alt="google colab logo"></a>

DOVER Kinetics-400的伪标签质量得分:CSV

DOVER YFCC-100M的伪标签质量得分:CSV

PWC PWC PWC PWC

图

相应的视频结果可以在这里找到。

简介

野外UGC-VQA受美学和技术视角的纠缠影响,这可能导致对"质量"一词的不同看法。

图

提出的DOVER

这启发我们提出一种简单有效的方法,从现有的UGC-VQA数据集中分离这两个视角。

图

DOVER或DOVER-Mobile

DOVER-Mobile将DOVER中两个分支的骨干网络改为convnext_v2_femto(膨胀版)。整个DOVER-Mobile只有9.86M参数(比DOVER少5.7倍),52.3GFLops(比DOVER少5.4倍),在推理过程中显存消耗不到1.9GB(比DOVER少3.1倍)。

在CPU上的速度也快得多(在我们的测试环境中,每个视频1.4秒对比3.6秒)。

结果比较:

指标:PLCCKoNViD-1kLIVE-VQCLSVQ_testLSVQ_1080pCPU速度
DOVER0.8830.8540.8890.8303.6秒
DOVER-Mobile0.8530.8350.8670.8021.4秒:rocket:
BVQA (Li等, TCSVT 2022)0.8390.8240.8540.791>300秒
Patch-VQ (Ying等, CVPR 2021)0.7950.8070.8280.739>100秒

要切换到DOVER-Mobile,请在以下任何脚本(训练、测试、验证)的末尾添加-o dover-mobile.yml

安装

可以通过以下命令安装该仓库:

git clone https://github.com/QualityAssessment/DOVER.git cd DOVER pip install -e . mkdir pretrained_weights cd pretrained_weights wget https://github.com/QualityAssessment/DOVER/releases/download/v0.1.0/DOVER.pth wget https://github.com/QualityAssessment/DOVER/releases/download/v0.5.0/DOVER-Mobile.pth cd ..

下载LSVQ的提示

import os, glob snapshot_download("teowu/LSVQ-videos", repo_type="dataset", local_dir="./", local_dir_use_symlinks=False) gz_files = glob.glob("*.tar.gz") for gz_file in gz_files: print(gz_file) os.system("tar -xzf {}".format(gz_file))

评估:评判任何视频的质量

新功能!提供ONNX转换

我们现在支持转换为ONNX,这可以轻松部署到各种设备上。

在完成上述安装后,您可以通过一个步骤完成此操作:

python convert_to_onnx.py

您可以按如下方式使用ONNX进行推理。

python onnx_inference.py -v ./demo/17734.mp4

在演示视频上尝试

您可以运行一个命令来评判演示视频的质量,并与VQA数据集中的视频进行比较。

python evaluate_one_video.py -v ./demo/17734.mp4 -f

python evaluate_one_video.py -v ./demo/1724.mp4 -f

您也可以去掉-f来获取常见UGC-VQA数据库中的相对美学和技术排名。

评估您自定义的视频

或者选择任何您喜欢的视频来预测其质量:

python evaluate_one_video.py -v $YOUR_SPECIFIED_VIDEO_PATH$ -f

输出

ITU标准化的整体视频质量得分

该脚本可以直接对视频的整体质量(考虑两个视角)进行0到1之间的评分。

python evaluate_one_video.py -v $YOUR_SPECIFIED_VIDEO_PATH$

最终输出分数通过ITU标准进行规范化和转换。

旧行为:相对美学/技术排名

如果您去掉-f,应该会得到如下输出。由于不同数据集有不同的尺度,绝对视频质量分数没有意义,但输入视频与特定集合中所有视频在美学技术质量方面的比较是视频质量好坏的良好指标。

在当前版本中,您可以获得视频质量的分析如下(归一化分数遵循N(0,1),所以您可以期望大于0的分数与更好的质量相关)。 与LIVE_VQC数据集中的所有视频相比: -- 视频[./demo/17734.mp4]的技术质量优于43%的视频,标准化分数为0.10。 -- 视频[./demo/17734.mp4]的美学质量优于64%的视频,标准化分数为0.51。 与KoNViD-1k数据集中的所有视频相比: -- 视频[./demo/17734.mp4]的技术质量优于75%的视频,标准化分数为0.77。 -- 视频[./demo/17734.mp4]的美学质量优于91%的视频,标准化分数为1.21。 与LSVQ_Test数据集中的所有视频相比: -- 视频[./demo/17734.mp4]的技术质量优于69%的视频,标准化分数为0.59。 -- 视频[./demo/17734.mp4]的美学质量优于79%的视频,标准化分数为0.85。 与LSVQ_1080P数据集中的所有视频相比: -- 视频[./demo/17734.mp4]的技术质量优于53%的视频,标准化分数为0.25。 -- 视频[./demo/17734.mp4]的美学质量优于54%的视频,标准化分数为0.25。 与YouTube_UGC数据集中的所有视频相比: -- 视频[./demo/17734.mp4]的技术质量优于71%的视频,标准化分数为0.65。 -- 视频[./demo/17734.mp4]的美学质量优于80%的视频,标准化分数为0.86。

评估一组未标记的视频

python evaluate_a_set_of_videos.py -in $YOUR_SPECIFIED_DIR$ -out $OUTPUT_CSV_PATH$

结果将以.csv文件形式存储在你的OUTPUT_CSV_PATH下的dover_predictions中。

请随意使用DOVER为你的非质量视频数据集进行伪标注。

数据准备

我们已经转换了大多数你需要用于盲视频质量评估的流行数据集的标签,视频下载链接如下:

:book: LSVQ: Github

:book: KoNViD-1k: 官方网站

:book: LIVE-VQC: 官方网站

:book: YouTube-UGC: 官方网站

(如果下载链接不可用,请联系原作者。)

下载后,请将它们放在../datasets下或任何地方,但记得在配置文件中相应地更改data_prefix。

数据集默认推理

要在多个数据集上测试预训练的DOVER,请运行以下shell命令:

python default_infer.py

训练:将DOVER适应到你的视频质量数据集!

现在你可以使用DOVER的仅头部/端到端迁移来获得特定数据集的VQA预测头。

我们仍然推荐仅头部迁移。正如我们在论文中评估的那样,这种方法与端到端迁移的性能非常相似(通常相差1%~2%),但所需的GPU内存要少得多,如下所示:

python transfer_learning.py -t $YOUR_SPECIFIED_DATASET_NAME$

对于现有的公共数据集,为各自的数据集键入以下命令:

  • python transfer_learning.py -t val-kv1k 用于KoNViD-1k。
  • python transfer_learning.py -t val-ytugc 用于YouTube-UGC。
  • python transfer_learning.py -t val-cvd2014 用于CVD2014。
  • python transfer_learning.py -t val-livevqc 用于LIVE-VQC。

由于这里不会更新backbone,检查点保存过程将只保存回归头,文件大小仅为398KB(相比之下,完整模型的大小为200+MB)。要使用它,只需用官方权重DOVER.pth替换头部权重。

我们现在也支持端到端微调(通过在./dover.yml中将num_epochs: 0修改为num_epochs: 15)。这将需要更多的内存成本和更多的存储成本来保存权重(包含完整参数),但会得到最佳准确度。

作者的微调曲线可以在这里找到:官方曲线,供参考。

可视化

差异图

请按照Generate_Divergence_Maps_and_gMAD.ipynb中的说明生成它们。 你也可以获得视频的可视化(但你需要先下载数据)。

WandB训练和评估曲线

你可以在WandB上监控你的结果! 虽然训练代码只会在论文被接受后发布,但你可以考虑修改FAST-VQA的微调脚本,就像我们所做的那样来复现结果。

或者,只需看看我们公开的训练曲线:

官方曲线

欢迎复现它们!

致谢

感谢主观研究的每一位参与者!

引用

如果你觉得我们的工作有趣并想引用它,请随意在你的参考文献中添加这些!

%fastvqa @inproceedings{wu2022fastvqa, title={FAST-VQA: Efficient End-to-end Video Quality Assessment with Fragment Sampling}, author={Wu, Haoning and Chen, Chaofeng and Hou, Jingwen and Liao, Liang and Wang, Annan and Sun, Wenxiu and Yan, Qiong and Lin, Weisi}, booktitle ={Proceedings of European Conference of Computer Vision (ECCV)}, year={2022} } %dover @inproceedings{wu2023dover, title={Exploring Video Quality Assessment on User Generated Contents from Aesthetic and Technical Perspectives}, author={Wu, Haoning and Zhang, Erli and Liao, Liang and Chen, Chaofeng and Hou, Jingwen Hou and Wang, Annan and Sun, Wenxiu Sun and Yan, Qiong and Lin, Weisi}, year={2023}, booktitle={International Conference on Computer Vision (ICCV)}, } @misc{end2endvideoqualitytool, title = {Open Source Deep End-to-End Video Quality Assessment Toolbox}, author = {Wu, Haoning}, year = {2022}, url = {http://github.com/timothyhtimothy/fast-vqa} }

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多