FineVD

FineVD是一个细粒度的用户生成内容视频质量评估数据库，用于视频质量评估领域的研究和应用。FineVD is a fine-grained user-generated content video quality assessment database intended for research and applications in the field of video quality assessment.

原始信息汇总

FineVQ数据集概述

基本信息

• 数据集名称: FineVQ (Fine-Grained User Generated Content Video Quality Assessment)
• 发布会议: CVPR 2025 Highlight
• 论文链接: FineVQ论文
• Hugging Face数据集地址: FineVD

数据集内容

• FineVD数据库: 用户生成内容(UGC)视频质量评估数据集
• 数据下载方式: bash huggingface-cli download IntMeGroup/FineVD --repo-type dataset --local-dir ./FineVD

预训练权重

数据集	权重链接	描述
KoNViD	FineVQ_KoNViD	Konstanz自然视频数据库
LIVE-VQC	FineVQ_LIVE-VQC	大规模感知视频质量研究
LSVQ	FineVQ_LSVQ	视频质量评估数据集
LIVE-YT-Gaming	FineVQ_LIVE-YT-Gaming	游戏视频流主观和客观分析
YouTubeUGC	FineVQ_YouTubeUGC	视频压缩研究数据集
FineVQ Score	FineVQ_Score	UGC视频质量评分预测
FineVQ QA (Yes/No)	FineVQ_QA_yn	二元问答任务评估
FineVQ QA (Which)	FineVQ_QA_which	选择类问题评估

使用方法

• 安装: bash git clone https://github.com/IntMeGroup/FineVQ.git conda create -n FineVQ python=3.9 -y conda activate FineVQ pip install -r requirements.txt pip install flash-attn==2.3.6

• 训练:

  • 阶段1训练: sh shell/stage1_train.sh
  • 阶段2训练: sh shell/stage2_train.sh

• 评估: bash sh shell/eval.sh

引用

bibtex @InProceedings{Duan_2025_CVPR, author = {Duan, Huiyu and Hu, Qiang and Wang, Jiarui and Yang, Liu and Xu, Zitong and Liu, Lu and Min, Xiongkuo and Cai, Chunlei and Ye, Tianxiao and Zhang, Xiaoyun and Zhai, Guangtao}, title = {FineVQ: Fine-Grained User Generated Content Video Quality Assessment}, booktitle = {Proceedings of the Computer Vision and Pattern Recognition Conference (CVPR)}, month = {June}, year = {2025}, pages = {3206-3217} }

联系方式

• 邮箱: [e-mail]

搜集汇总

数据集介绍

构建方式

在视频质量评估领域，FineVD数据集的构建体现了精细化的设计理念。该数据集通过系统采集用户生成内容(UGC)视频样本，采用多维度标注策略，结合主观评分与客观指标，构建了覆盖广泛质量特征的视频库。研究人员精心设计了数据采集协议，确保视频样本在内容多样性、失真类型和质量等级上具有代表性，同时通过严格的标注流程保证数据可靠性。

特点

FineVD数据集以其细粒度标注体系脱颖而出，提供了超越传统质量评分的多维质量特征描述。该数据集不仅包含常规的质量评分，还创新性地引入了问答形式的细粒度评估，支持二元选择和对比性问题的质量分析。数据集涵盖多种UGC视频场景，包括游戏、自然景观等，并整合了多种失真类型，为视频质量研究提供了丰富的实验素材。

使用方法

使用FineVD数据集时，研究人员可通过Hugging Face平台便捷获取数据资源。数据集支持端到端的视频质量评估流程，包括数据下载、预处理和模型训练。用户可根据需要选择特定子集进行实验，或利用提供的预训练权重快速开展研究。数据集配套的代码库提供了完整的训练和评估脚本，支持分阶段模型优化策略，便于复现论文结果或开展延伸研究。

背景与挑战

背景概述

FineVD数据集由IntMeGroup团队于CVPR 2025会议上提出，专注于用户生成内容（UGC）视频的细粒度质量评估。该数据集旨在解决当前视频质量评估领域中对于多样化、非结构化UGC内容缺乏精细化度量标准的核心问题。研究团队通过构建包含多维度质量标注的大规模视频样本，为视频感知质量建模提供了重要基准。其创新性地融合了传统客观指标与主观感知标注，显著提升了质量评估模型在真实场景中的泛化能力，对计算机视觉与多媒体处理领域产生了深远影响。

当前挑战

在领域问题层面，FineVD需应对UGC视频存在的复杂退化模式（如压缩伪影、运动模糊等）与主观质量感知之间的非线性映射挑战。数据集构建过程中，研究人员面临标注一致性控制的难题，包括跨文化背景评估者的感知差异、细粒度标注维度间的相关性平衡等。技术实现上，大规模视频数据的时空特征提取与轻量化建模存在显著计算复杂度，需设计高效的跨模态融合架构以解决存储与计算资源的矛盾。

常用场景

经典使用场景

在视频质量评估领域，FineVD数据集为研究者提供了一个细粒度的用户生成内容（UGC）视频质量评估基准。该数据集通过收集大量真实场景下的UGC视频，并标注其质量分数，为视频质量评估模型的训练和验证提供了丰富的数据支持。经典使用场景包括视频压缩算法优化、流媒体服务质量监控以及视频增强技术的研究。

实际应用

在实际应用中，FineVD数据集被广泛用于优化视频平台的用户体验。例如，短视频平台可以利用该数据集训练质量评估模型，自动识别并优先推荐高质量内容。此外，电信运营商可基于该数据集开发实时视频质量监测系统，提升流媒体服务的稳定性。这些应用显著改善了终端用户的观看体验。

衍生相关工作

基于FineVD数据集，研究者们已衍生出多项重要工作。其中包括结合视觉Transformer的视频质量评估框架、基于对比学习的质量预测模型，以及融合多模态特征的评估方法。这些工作不仅扩展了数据集的应用范围，还为计算机视觉领域的质量评估研究开辟了新思路。部分成果已在CVPR等顶级会议上发表。