VMAF（Video Multimethod Assessment Fusion）是一種基於機器學習的影片質量評估方法，它透過分析影片序列的多個質量特徵來預測觀眾的主觀質量感受。VMAF得分範圍從0到100，其中100表示最高質量。以下是VMAF的使用方法和相關資訊：
VMAF使用方法
- FFmpeg整合：VMAF已被整合到FFmpeg中，作為一個濾鏡使用。要使用FFmpeg進行VMAF評估，首先確保FFmpeg已編譯支援VMAF。然後，使用以下命令列進行影片質量評估：
ffmpeg -i reference_video.mp4 -i distorted_video.mp4 -lavfi libvmaf="model_path=path/to/vmaf/model.pkl" -f null -其中，reference_video.mp4是原始影片，distorted_video.mp4是失真影片，model_path指向VMAF模型的路徑。
- 獨立使用：如果不想使用FFmpeg，可以從Netflix/vmaf獲取VMAF的原始碼，編譯並安裝。然後，按照文件說明使用VMAF工具進行影片質量評估。
VMAF模型下載
- FFmpeg整合模型：對於FFmpeg整合使用，需要下載VMAF模型檔案（如
vmaf_v0.6.1.pkl和vmaf_v0.6.1.pkl.model），並將它們放置在FFmpeg的同級目錄下。 - 獨立使用模型：對於獨立使用VMAF工具，同樣需要從Netflix/vmaf獲取相應的模型檔案，並按照原始碼中的說明進行配置。
VMAF得分解釋
- 得分範圍：VMAF得分範圍從0到100，其中0表示最低質量，100表示最高質量。得分越高，表示影片質量越好。
- 得分解釋：例如，得分70可以被普通觀眾理解為在1080p和3H條件下（觀看距離為螢幕高度的3倍）的“好”和“一般”之間的影片質量。
VMAF與其他影片質量評估方法的比較
- 優勢：VMAF透過融合多種質量指標，能更準確地預測影片的主觀感知質量，比單一的數學模型（如PSNR、SSIM）更能反映人眼的主觀感受。
- 侷限性：VMAF的計算相對複雜，需要一定的計算資源。同時，模型的準確性也依賴於訓練資料的質量和多樣性。