(相关资料图)

一、背景

MOS（Mean Opinion Score）是一种常用的主观质量评价方法，常用于视频、图像等多媒体领域中的质量评价。MOS视觉评价通常是通过让受试者观看视频/图像，对视频的清晰度、锐度、颜色饱和度、运动模糊、噪声等方面进行评价。然而，MOS视觉评价也存在一些局限，例如需要大量的受试者，评估时间较长等。因此，近年来，研究者们也开始探索使用客观评价方法来替代或补充MOS视觉评价。使用基于深度学习模型进行客观MOS评价相比传统的基于主观评价的方法，有以下一些好处：

a.）高效性：相比于传统的主观评价方法需要大量受试者进行评估，使用深度学习模型可以大大减少评估时间和人力成本，从而提高评估效率。

b.）一致性：深度学习模型可以通过训练来学习人类主观评价的规律和模式，从而使得评估结果更加一致和准确。

c.）可重复性：使用深度学习模型进行评价可以使得评估结果具有可重复性，不会像传统的主观评价方法一样受到个体差异的影响。

d.）适配性好：传统的主观评价方法需要大量人力和时间成本，使得其在实际应用中受到一定限制。而深度学习模型可以在大规模数据集上进行训练，从而可以在更广泛的场景下进行应用。

与传统的有参考评价方法PSNR, SSIM, VMAF等指标相比：1.）MOS评价不需要参考图，更契合终端用户的使用场景; 2.）传统评价方法仅仅考虑图像像素的差异，而忽略了人类视觉系统对图像质量的感知。而使用深度学习模型进行视觉MOS评价有效考虑到人类主观评价的因素，从而更加准确地衡量图像质量；

总之，使用深度学习模型进行视觉MOS评价可以提高评估效率和准确性，同时也可以使得评估结果具有更好的可重复性和更广泛的应用范围。效果如下图所示：