摘要
用户生成内容（User Generated Content, UGC）视频的质量评估在保障终端用户观看体验方面具有重要作用。以往的UGC视频质量评估（VQA）研究通常采用图像识别模型或图像质量评估（IQA）模型，从视频帧中提取帧级特征以进行质量回归。然而，由于这些任务与UGC VQA任务之间存在显著的域偏移（domain shift），此类方法被视为次优方案。本文提出了一种简洁而高效的UGC VQA模型，旨在通过端到端训练空间特征提取网络，直接从视频帧的原始像素中学习具有质量感知能力的空间特征表示，从而缓解上述问题。同时，为建模空间特征无法捕捉的时序相关失真，我们进一步提取运动特征。所提模型采用极稀疏帧提取空间特征，并利用高密度帧（即视频片段）以极低的空间分辨率提取运动特征，从而实现较低的计算复杂度。基于更优的质量感知特征，我们仅采用简单的多层感知机（MLP）网络将特征回归为片段级质量得分，并通过时序平均池化策略获得视频级质量评分。此外，为解决跨不同空间分辨率的VQA问题，我们引入了一种多尺度质量融合策略，其多尺度权重由人类视觉系统的对比敏感度函数（Contrast Sensitivity Function, CSF）推导得出。实验结果表明，所提模型在五个主流UGC VQA数据集上均取得了最优性能，充分验证了其有效性。相关代码将公开发布。