CHUG

CHUG数据集是一个大规模的用户生成内容（UGC）高动态范围（HDR）视频质量数据集，由德克萨斯大学奥斯汀分校的研究人员创建。该数据集包含856个UGC-HDR源视频，通过多个分辨率和比特率进行转码，总计5,992个视频。通过Amazon Mechanical Turk进行大规模研究，收集了211,848个主观评分。CHUG旨在为分析UGC特定失真在HDR视频中的影响提供一个基准，并推动无参考（NR）HDR视频质量评估（VQA）研究。该数据集适用于研究UGC-HDR视频的失真、压缩和编码对视频质量的影响，并用于开发无参考VQA模型。The CHUG Dataset is a large-scale User-Generated Content (UGC) High Dynamic Range (HDR) video quality dataset created by researchers at The University of Texas at Austin. This dataset contains 856 UGC-HDR source videos, which are transcoded into multiple resolutions and bitrates, totaling 5,992 videos. A large-scale subjective study was conducted via Amazon Mechanical Turk, and 211,848 subjective ratings were collected. The CHUG Dataset aims to provide a benchmark for analyzing the impact of UGC-specific distortions on HDR video quality and advance research on No-Reference (NR) HDR Video Quality Assessment (VQA). This dataset is suitable for studying the effects of distortions, compression and encoding on the quality of UGC-HDR videos, and for developing no-reference VQA models.

搜集汇总

数据集介绍

构建方式

在用户生成内容主导的流媒体时代，CHUG数据集通过开放式征集从智能手机设备获取856段原始HDR视频，严格筛选后保留具有动态场景与多样光照条件的真实内容。采用比特率阶梯编码策略，在360p至1080p分辨率区间设置六档比特率参数，模拟社交平台压缩流程，最终生成包含5,992段视频的增强数据集。通过保持横竖屏视频数量均衡，有效捕捉了不同画面取向对质量感知的影响机制。

特点

作为当前规模最大的UGC-HDR质量评估数据集，CHUG囊括了从极端亮度场景到复杂运动模式的真实用户创作内容。其核心价值在于完整呈现了社交平台典型的复合失真类型，包括色调映射伪影、曝光不均与压缩噪点等。通过亚马逊众包平台收集的21万余条主观评分，经SUREAL算法校准后形成鲁棒的质量标签。数据集特别保留了高方差评分样本，为研究主观感知分歧提供了珍贵案例。

使用方法

该数据集主要服务于无参考视频质量评估模型的开发与验证，研究者可通过分析不同比特率与分辨率组合下的质量衰减规律，建立压缩参数与感知质量的映射关系。数据集中标注的空间信息指数与时域复杂度指标，为探究内容特征对质量感知的影响提供量化依据。在模型训练阶段，建议采用交叉验证策略应对数据分布差异，同时注意平衡横竖屏样本以消除取向偏差。

背景与挑战

背景概述

随着高动态范围（HDR）视频技术在增强视觉体验方面的广泛应用，用户生成内容（UGC）在社交媒体平台上的激增为HDR视频质量评估（VQA）带来了新的研究需求。CHUG数据集由德克萨斯大学奥斯汀分校与谷歌YouTube团队于2025年联合创建，旨在填补现有HDR-VQA数据集中在真实UGC场景下的空白。该数据集包含856个原始UGC-HDR视频，通过多分辨率与码率转码生成5,992个测试样本，并依托亚马逊众包平台收集了211,848条主观评分，成为当前规模最大的UGC-HDR质量基准，显著推动了无参考HDR-VQA模型在真实流媒体环境中的发展。

当前挑战

在领域问题层面，CHUG致力于解决UGC-HDR视频中因复杂拍摄条件、用户编辑操作与平台压缩导致的独特失真现象，例如色带效应、色调映射伪影和曝光不均等传统PGC-HDR数据集中罕见的挑战。构建过程中，研究团队面临众包数据采集的可靠性保障难题，需通过动态设备兼容性检测、渐进式质量监控与后验统计过滤等方法确保主观评分的有效性；同时，保持内容多样性需平衡横竖屏视频比例，并模拟真实流媒体环境下的码率阶梯编码，以精确复现社交平台压缩引入的失真特征。

常用场景

经典使用场景

在视频质量评估领域，CHUG数据集作为首个大规模用户生成高动态范围视频质量基准，被广泛用于无参考视频质量评估模型的训练与验证。其独特价值在于模拟真实社交媒体环境中的压缩失真与内容多样性，涵盖从手持设备拍摄到平台转码的全流程质量退化场景。研究者通过分析856个原始视频在不同码率与分辨率下的5992个衍生样本，能够系统评估HDR视频在复杂光照、运动模糊及色调映射异常等真实条件下的感知质量变化。

衍生相关工作

该数据集的发布催生了多项HDR视频质量评估领域的创新研究。基于CHUG训练的NR-VQA模型在跨平台验证中展现出优越的泛化能力，如HDR-CHIPQA等算法通过融合时空特征与感知度量实现了更精准的质量预测。后续研究进一步拓展了其应用边界，包括开发轻量化移动端评估框架、构建多模态质量评估体系，以及探索人工智能生成内容与用户生成HDR视频的交叉质量评估范式。

数据集最近研究

最新研究方向

随着高动态范围视频技术在流媒体平台的普及，CHUG数据集正推动用户生成内容视频质量评估领域的前沿探索。研究聚焦于真实场景下HDR视频的压缩失真、色调映射伪影及曝光不均等问题，通过大规模众包主观评价构建了涵盖856个源视频的异构数据库。该数据集模拟社交媒体传输环境，采用比特率阶梯编码策略生成5,992个测试样本，为无参考质量评估模型提供了关键训练基准。当前研究热点集中于分析空间-时间特征与感知质量的相关性，探索不同分辨率、比特率及横竖屏方向对主观评分的影响机制，其成果将直接服务于短视频平台HDR内容优化与自适应流媒体传输策略。

相关研究论文

• 通过

  德克萨斯大学奥斯汀分校 · 2025年