Nous abordons le problème de l’évaluation de la qualité vidéo dépendante du taux d’images (VQA) sur des vidéos présentant des taux d’images variés, y compris des vidéos à taux d’images élevé (HFR). De manière plus générale, nous étudions l’impact du taux d’images sur la qualité perçue, ainsi que l’interaction entre le taux d’images et la compression dans la détermination de la qualité perçue. Nous proposons un modèle objectif de VQA, nommé Space-Time GeneRalized Entropic Difference (GREED), qui analyse les statistiques des coefficients vidéo passe-bande spatiaux et temporels. Une distribution gaussienne généralisée (GGD) est utilisée pour modéliser les réponses passe-bande, tandis que les variations d’entropie entre les vidéos de référence et les vidéos déformées, sous le modèle GGD, permettent de capturer les variations de qualité vidéo dues aux changements de taux d’images. Ces différences d’entropie sont calculées sur plusieurs sous-bandes spatiales et temporelles, puis combinées à l’aide d’un régresseur appris. Des expériences étendues montrent que GREED atteint des performances de pointe sur la base de données LIVE-YT-HFR, en comparaison avec les modèles existants de VQA. Les caractéristiques utilisées dans GREED sont hautement généralisables et permettent d’obtenir des performances compétitives même sur des bases de données standard de VQA non spécifiquement dédiées aux vidéos HFR. Une implémentation de GREED est désormais disponible en ligne : https://github.com/pavancm/GREED