نُعَدّ المشكلة المتعلقة بتقييم جودة الفيديو المُعتمد على معدل الإطارات (VQA) في الفيديوهات التي تختلف في معدل الإطارات، بما في ذلك مقاطع الفيديو ذات معدل الإطارات العالي (HFR)، وندرس بشكل أوسع كيف تتأثر الجودة الإدراكية بمعدل الإطارات، وكيف تؤثر معايير معدل الإطارات والضغط معًا على الجودة المُدرَكة. وقد طوّرنا نموذجًا موضوعيًا لتقييم جودة الفيديو يُسمّى "الفرق التكاملي المُعمّم للانتروبيا في الفضاء والزمن" (Space-Time GeneRalized Entropic Difference - GREED)، والذي يحلل إحصائيات معاملات الفيديو ذات النطاقات المكانية والزمنية المُمرّرة. ويُستخدم توزيع غاوسي معمّم (GGD) لتمثيل الاستجابات الممرّرة، بينما تُستخدَم التغيرات في الانتروبيا بين الفيديو المرجعي والفيديو المُتضرّر ضمن نموذج GGD لالتقاط التغيرات في جودة الفيديو الناتجة عن تغيّر معدل الإطارات. ويُحسب الفرق الانتروبي في عدة نطاقات فرعية مكانية وزمنية، ثم يُدمج باستخدام نموذج استدلال مُدرّب. ونُظهر من خلال تجارب واسعة أن نموذج GREED يحقق أداءً متفوّقًا على مستوى الحالة الحالية في قاعدة بيانات LIVE-YT-HFR مقارنةً بالنماذج الحالية لتقييم جودة الفيديو. كما أن الميزات المستخدمة في GREED قابلة للتطبيق العام بشكل كبير، وتُظهر أداءً تنافسيًا حتى على قواعد بيانات تقييم جودة الفيديو القياسية غير المُعتمدة على معدلات إطارات عالية. وقد تم إتاحة تنفيذ نموذج GREED عبر الإنترنت عبر الرابط التالي: https://github.com/pavancm/GREED