Netflix

作者：Zhi Li、Anne Aaron、Ioannis Katsavounidis、Anush Moorthy 和 Megha Manohara 术语缩写DLM - Detail Loss Metric 细节损失指标DMOS - Differential Mean Opinion Score 差分均匀意见分数DSIS - Double Stimulus Impairment Scale 双刺激伤害量表SVM - Support Vector Machine 反对向量机VIF - Visual Information Fidelity 视觉信息保真度VMAF - Video Multimethod Assessment Fusion 视频多办法评估交融 缘起在 Netflix，咱们关怀视频品质，咱们关怀大规模精确测量视频品质。咱们的办法：视频多办法评估交融 (VMAF)指数，旨在反映观众对咱们的流媒体品质的认识。咱们正在开源这个工具，并邀请钻研界与咱们单干实现这个重要的我的项目。 咱们对高质量视频的谋求咱们致力为咱们的会员提供杰出的观看体验：晦涩的视频播放，无宜人的画面伪影。思考到网络带宽和观看设施的限度，这项工作的一个重要局部是提供具备最佳感知品质的视频流。咱们通过多种致力一直朝着这个指标致力。 首先，咱们在视频编码畛域进行了翻新。流式视频须要应用 H.264/AVC、HEVC 和 VP9 等规范进行压缩，以便以正当的比特率进行流式传输。当视频压缩过多或不正确时，这些技术会引入品质侵害，称为压缩伪影。专家将它们称为“块效应”、“振铃效应”或“蚊子乐音”，但对于一般观众来说，视频看起来并不正确。为此，咱们定期比拟编解码器供应商的压缩效率、稳定性和性能，并整合市场上最好的解决方案。咱们评估不同的视频编码标准，以确保咱们始终处于压缩技术的前沿。例如，咱们在 H.264/AVC、HEVC 和 VP9 之间进行比拟，凋谢媒体联盟(AOM) 和联结视频摸索团队(JVET)。即便在既定规范内，咱们也会持续试验配方决策（参见 Per-Title 编码优化我的项目）和速率调配算法，以充分利用现有工具集。 咱们在基于云的分布式媒体管道中对 Netflix 视频流进行编码，这使咱们可能扩大以满足业务需要。为了最大限度地缩小不良源交付、软件谬误和云实例的不可预测性（瞬态谬误）的影响，咱们在管道中的各个点主动进行品质监控。通过这种监控，咱们试图在采集和管道中的每个转换点检测视频品质问题。 最初，当咱们在 Netflix 生态系统的各个领域（例如自适应流媒体或内容交付网络算法）进行迭代并运行 A/B 测试时，咱们致力确保通过零碎改良来维持或进步视频品质。例如，旨在缩小播放开始提早或从新缓冲的自适应流算法的改良不应升高流会话中的整体视频品质。 上述所有具备挑战性的工作都取决于一个基本前提：咱们能够精确无效地测量大规模视频流的感知品质。传统上，在视频编解码器的开发和钻研中，有两种办法被宽泛用于评估视频品质：1) 视觉主观测试和 2) 简略指标的计算，例如 PSNR，或者最近的 SSIM [1]。 ...