原文地址: https:// medium.com/netflix-tech blog/vmaf-the-journey-continues-44b51ee9ed12 本文是 Netflix 关于自家的 VMAF(Video Multi-method Assessment Fusion) 的介绍，它可以很好的去评估一个视频的质量通过借助人类视觉模型以及机器学习，它目前已经开源，并且集成在诸如 ffmpeg 这些第三方工具上。 by Zhi Li, Christos Bampis, Julie Novak, Anne Aaron, Kyle Swanson, Anush Moorthy and Jan De Cock Netlfix 是如何评估一个视频的质量的？ 哪种视频的编码方式更好？ Codec A 或者 Codec B？ 对于这个剧集，1000 kbps 是否比 HD 分辨率更好，或者 SD(标清) 更好？ 当我在从事提升 Netflix 播放体验项目时候，这些一直是自己经常问自己的常见问题。很多年前，我们很难回答这些问题，依靠人们肉眼直觉判断。专业的视觉评估并不足够横跨内容，编码实现，以及上面编码流程中。我们可以尝试部署比较常规的观测指标， 或者 ，但是它们确并不能很好反馈人们视觉的感觉。于是我们开启了这一趟旅程，去开发实现一套自动化回答上述问题的方法。这就是 VMAF 的来缘。 VMAF）是一种视频质量指标，将人类视觉建模与机器学习相结合。该项目开始于我们的团队与 南加州大学 C.-C Jay Kuo 教授之间的研究合作。他的研究小组以前从事图像感知指标的研究，并且我们一起致力于将想法扩展到视频。随着时间的推移，我们已经与其他研究合作伙伴进行了合作，例如德克萨斯大学奥斯汀分校的Alan Bovik教授和南特大学的Patrick Le Callet教授，旨在提高与人类主观感知有关的 VMAF 准确性，并扩大其范围涵盖更多用例。2016年6月，我们在Github上开源了 ，并发布了第一个 VMAF 技术博客。在这篇博文中，我们希望分享我们的旅程。 在Netflix之外，视频社区发现VMAF是质量评估的宝贵工具。由于行业的采用，该项目受益于研究人员，视频相关公司和开源社区的广泛贡献。 VMAF已集成到第三方视频分析工具（例如 ，Elecard StreamEye ，a href=" http://www.