视频质量评价（VQA）是以人眼的主观质量评估结果为依据，使用算法模型对失真视频进行评估。传统的评估方法难以做到主观评价结果与客观评价结果相一致。基于深度学习的视频质量评价方法无需加入手工特征，通过模型自主学习即可进行评估，对视频质量的监控和评价有重要意义，已成为计算机视觉领域的研究热点首先对视频质量评价的研究背景和主要研究方法进行介绍;其次从全参考型和无参考型两方面介绍基于深度学习的客观质量评价方法，并且从所用的卷积神经网络模型对无参考型评价方法进行了分类比较;接着介绍视频质量评价算法的相关数据库和评价算法性能指标，并对算法性能进行比较;最后对目前视频质量评价研究存在的问题进行总结，并展望了该领堿面临的挑战和未来发展方向。

适合在视频和图像领域进行算法研究的开发者，经典算法有参考意义。

bdrate和bdpsnr计算的matlab版本

基于Android平板电脑视频质量评价体系的研究.pdf

随着视频技术的飞速发展,越来越多的视频应用逐步进入人们的生活中,因此对视频质量的研究很有意义。基于卷积神经网络和循环神经网络强大的特征提取能力并结合注意力机制,提出一种无参考视频质量评价算法。该算法首先利用VGG(Visual Geometry Group)网络提取失真视频的空域特征,然后利用循环神经网络提取失真视频的时域特征,引入注意力机制对视频的空时特征进行重要度计算,根据重要度得到视频的整体特征,最后通过全连接层回归得到视频质量的评价分数。在3个公开视频数据库上的实验结果表明,预测结果与人类主观质量评分具有较好的一致性,与最新的视频质量评价算法相比具有更好的性能。

ITU-T-REC-P.800--传输质量的主观评价方法

ITU-T-REC-J.143-数字有线电视的客观评价

全参考视频质量评价工具，有PSNR、SSIM、MSSIM、VQM等多项指标，不过不能批量处理

Evalvid是一个对在真实或模拟的网络里传输的视频进行质量评价的框架和工具集。除了底层网络的QoS参数的测量，如丢包率，延迟，抖动，Evalvid还提供标准的视频质量评价算法如PSNR和SSIM。它视频编码方面支持H.264，MPEG-4和H.263。音频编码方面支持AAC。