《AssessingtheQualityofUser-GeneratedContent》翻译..docxVIP

用户生成内容的质量评估斯蒂芬温克尔 （先进数字科学中心（ADSC）、新加坡138632）摘要随着数码相机、制图软件、图片分享网站、社交网络，以及其他相关科技的广泛使用，媒体产品和消费模式相较于以前更为多方面、更复杂。尤其是用户生成内容得到了极大的发展。因此，我们也应该从一个不同的角度来看待体验质量和相关质量评估方法。这篇论文将一些传统质量评估方法和为用户生成内容设计的新方法进行对比。也介绍了一些我们开发过的示例应用。关键词图片质量、照片集、社交媒体、摄影作品、总结介绍 图片质量评估（QA）可以追溯到十九世纪七十年代，第一个关于视觉皮层、视觉建模和数字成像的研究完成之时。基于人类视觉系统模型的算法现在正和更为实用的基于图像的或基于功能的方法竞争。视频质量评估也有类似的，却更短一点的历史。被广泛使用的、人们负担得起的数码相机（也包括以植入形式存在的摄像设备）现在允许用户几乎随时随地拍摄图片和视频。这导致了来自业余爱好者与专业人员的图片等信息的大爆炸。然而，传统媒体和用户生成内容在很多层面上完全不同，尤其是从质量评估的角度来看（见表1）。▼表1：传统媒体 vs 用户生成内容阶段传统媒体用户生成内容产品专业质量，优质内容业余内容/质量处理编码，转码，多路复用等极少的用户介入，或对用户是隐蔽的传送实时流，多用户，高网络需求和朋友分享，通常是通过下载的方式对传统媒体的质量评估传统的质量评估方法主要关注广播媒体的处理和广播，即图像、视频的压缩、传输和增强。在许多情况下，一个显式的资源（例如源图像或视频），经过这个系统的处理之后会发生某些变化（例如失真、压缩损失、丢包、除噪）。 对于这样高价值的、专业的内容，生产过程中质量评估一般是手动完成。然后，这些内容通过电影和广播电视等渠道，提供并分配给许多付费用户。一个高质量的资源经过许多可能会改变或影响内容质量的处理步骤发生着线性变化。在整个过程中，实体的质量通常涉及到编码器制造商、内容提供商、服务提供商和运营商。此外，传统媒体是专为众多观众而设计的，因此，典型用户和意见质量分数（MOS）是质量考核单元和选择标准。 迄今为止，大多数质量评估算法、数据库、标准、以及产品都处于将保真度（即经过处理的图片/视频与原始源内容的相似度）视为是最重要的评估方面的一个阶段。 用户生成内容的质量评估但对于用户生成内容来说，保真度是次要的。质量评估和增强的标准不仅仅是图片或内容特性（例如场景构成缺损），还需要以用户为中心（即在一个集合中什么是与用户最相关的）。这是区别于传统质量评估方法的。 用户生成内容的自动化质量评估在生产过程中是最有用的的原因有以下几点：即使质量评估可以由用户手动完成，但是大部分情况下将会耗费很多时间。此外，普通用户也需要指导才能产生高质量的内容； 处理和分配对于用户来说是简单的，在很大程度上已经被隐藏或模糊（例如在相机中进行压缩或上传内容到一个网站）；质量成为一个更个人的概念，因为它主要取决于用户以及用户会与谁分享内容的社交圈。事实上，个性化迄今没有得到太多的关注，尽管它对于用户生成内容如此重要。我们以照片集为例详细讨论这些方面。同时他们也适用于其他类型的媒体。照片集如今最常见的用户生成内容是数码照片。相片集通常包含某个事件或旅途中拍摄的相片，或许是来自多个用户的不同设备。它们也包括分享在社交网络中的图片、网站中的图片，以及存储在第三方库的图片。设备可能包括单反相机（SLR），傻瓜相机，照相手机。 拍大量照片变得如此容易以至于用户经常需要处理大量的图片集。在此质量评估首要的任务就是从一个照片集中筛选最好的、最具代表性的图片。这个任务可以被分成两个基本步骤：筛选和总结。筛选时，从一组相似的图片中选择最好的相片（通常对于同一个场景会拍摄多个镜头），并且如果有必要，做适当的图片增强。总结时，为相册选择部分图片。一般来说，目的是为了讲述一个故事或分享一个经历。由于用户特定标准、口味和偏好的重要性，智能用户界面设计和个性化是两个步骤中必不可少的。这些步骤也很难完全自动的进行并使用户满意。筛选对于数码相机而言，对同一个场景拍摄多个镜头已经成为惯例。用户通常平均每个场景拍摄两到三个镜头，对于某些场景或在某些情况下，会拍摄八到十个镜头。从一组图片中选择最好的图片通常涉及到亮度、曝光，以及白平衡；构图和角度；姿势、动作和场景中的人脸；以及基本的图片质量。通常情况下，一张照片的质量是通过将它与一个相同场景而未曾损伤的参照物进行比较评估的（全参照对比）。它也可以自行评估（无参照比较）。当没有参照图片时，传统的全参照比较方法便不适用了。无参照比较方法原则上是可以用的，但它们一般需要相同图片的单一的减值维度才能起到最好的效果，例如，量化或模糊。这里的问题是更为普遍的，与相似、相关（但不相同）内容以及不同质量/失真维度和级