BVI-CC

BVI-CC数据集由布里斯托大学视觉信息实验室创建，包含306个使用VVC、HEVC和AV1编码的视频序列。数据集涵盖了多种分辨率，从540p到1080p，并包括了主观和客观质量评估结果。BVI-CC旨在为视频压缩技术和视频质量评估提供一个全面的基准，特别适用于研究新型视频编解码器的性能和效率。

The BVI-CC dataset was created by the Visual Information Laboratory at the University of Bristol. It contains 306 video sequences encoded with VVC, HEVC and AV1. The dataset covers a variety of resolutions ranging from 540p to 1080p, and includes both subjective and objective quality assessment results. The BVI-CC dataset aims to provide a comprehensive benchmark for video compression technologies and video quality assessment, and is particularly suitable for researching the performance and efficiency of novel video codecs.

搜集汇总

数据集介绍

构建方式

在视频编码与质量评估研究的演进中，对多样化且具有代表性的压缩内容的需求日益迫切。为此，BVI-CC数据集应运而生，其构建过程严谨而系统。研究团队从标准化机构常用的素材中精心挑选了九段超高清（UHD，3840×2160）原始视频序列，这些序列涵盖局部运动、动态纹理及复杂相机运动等多种空间-时间特性。随后，对每一段原始序列进行空间下采样，生成1920×1080、1280×720和960×544三种分辨率版本。在此基础上，采用三种主流视频编码器——高效视频编码（HEVC）的测试模型（HM）、AOMedia Video 1（AV1）以及多功能视频编码（VVC）的测试模型（VTM）——在预设的目标码率下对序列进行编码。整个构建过程设计了三种实验配置：恒定分辨率的UHD和HD编码，以及基于凸包率失真优化的自适应码率（HD-DO）编码，最终形成了包含306个编码序列的完整数据集。

特点

BVI-CC数据集的核心特点在于其多维度的全面性与开创性。作为首个公开提供VVC、AV1和HEVC三种当代编码器压缩版本的数据集，它填补了该领域的空白。数据集涵盖了从540p到UHD的多种空间分辨率，并通过精心设计的实验配置确保了内容的多样性与代表性。除了编码序列本身，数据集还附带了详尽的质量评估数据，包括通过心理物理实验收集的主观意见分数（DMOS），以及PSNR、SSIM、VMAF等六种常用客观质量指标的计算值。这种主客观评估数据的结合，使得BVI-CC不仅能够支持编码器性能的公平对比，还能为视频质量度量方法的开发与验证提供可靠的基准。此外，数据集还提供了编码器的计算复杂度分析结果，为实际应用中的效率考量提供了重要参考。

使用方法

BVI-CC数据集为视频压缩与质量评估领域的研究者提供了灵活而强大的工具。研究者可直接利用数据集中的306个编码序列及其对应的原始序列，进行编码器性能的横向对比分析，例如通过Bjøntegaard Delta（BD-rate）指标评估不同编码器在相同码率下的率失真性能。同时，数据集提供的客观质量指标值和主观DMOS分数，可用于验证和优化现有的视频质量评估模型，或作为训练数据开发基于机器学习的新一代质量度量方法。对于自适应流媒体场景的研究，HD-DO实验组的数据尤为宝贵，可用于分析空间分辨率与编码参数联合优化对主观与客观质量的影响。所有数据均通过公开请求获取，研究者可将其作为标准测试集，在统一且公平的框架下推动视频编码技术的进步。

背景与挑战

背景概述

随着视频技术的迅猛发展，视频编码标准不断演进，从早期的H.120到广泛应用的H.264/AVC、HEVC，再到最新的VVC和开源AV1，压缩效率持续提升。然而，现有视频数据集多集中于单一编码器（如H.264或HEVC），缺乏涵盖多种现代编码标准的综合资源，难以支撑公平的编码性能对比与质量评估研究。为此，布里斯托大学视觉信息实验室的Angeliki Katsenou、Fan Zhang等人于2020年创建了BVI-CC数据集，旨在为视频压缩与质量评估领域提供一套包含HEVC、AV1和VVC三种编码器的多样化编码序列。该数据集精选9段具有代表性空间-时间特性的UHD源序列，生成306个压缩版本，并配套主观评分与客观质量指标，填补了多编码器比较数据集的空白，对编码算法评估与质量度量开发具有重要影响力。

当前挑战

BVI-CC数据集面临的核心挑战在于多维度平衡与构建复杂性。首先，所解决的领域问题涉及视频编码性能比较的公平性：不同编码器配置差异导致现有研究结论矛盾，需在统一测试条件下实现客观与主观评估的协同。构建过程中，挑战包括：1）源序列选择需兼顾空间-时间多样性（如局部运动、动态纹理、复杂相机运动），避免内容偏差；2）编码参数标准化困难，需为每个编码器（HM、AV1、VTM）分别调整量化参数以匹配预定义目标码率，且AV1仅支持整数QP，增加了迭代调优的复杂度；3）主观实验设计需控制环境变量（如显示设备、观看距离）及参与者偏差，并处理长时实验的疲劳效应；4）计算资源限制导致VVC无法参与自适应码率优化（DO）实验，影响比较全面性。这些挑战共同制约了数据集在广泛场景下的适用性与扩展性。

常用场景

经典使用场景

BVI-CC数据集在视频编码与质量评估领域占据着举足轻重的地位，其经典使用场景聚焦于对主流视频编码标准进行公平且全面的性能比对。该数据集精心挑选了九段具有代表性的超高清源序列，并利用HEVC HM、AV1及VVC VTM三种当代核心编解码器，在预设目标码率下生成了多达306个压缩版本。研究者常借助该数据集，通过客观质量指标（如PSNR、VMAF）与主观心理物理实验相结合的方式，系统评估不同编解码器在恒定分辨率及自适应码率场景下的率失真性能，从而为编码算法的优化与标准化提供坚实的数据支撑。

衍生相关工作

BVI-CC数据集的诞生催生了一系列衍生研究工作。其中，基于该数据集的主观评价数据，研究者对多种客观视频质量度量（如PSNR、SSIM、MS-SSIM、VIF、VSNR及VMAF）进行了系统性的相关性验证，揭示了VMAF在预测主观质量方面具有最优的斯皮尔曼秩相关系数（高达0.8783）。此外，该数据集为动态优化器（DO）框架的进一步优化提供了基准，后续工作如基于深度学习的超分辨率上采样技术（如Afonso等人的研究）被引入以提升自适应流中的编码增益。未来，该数据集还有望扩展至更高速率、更高位深度的内容，并集成SVT-AV1、VVenC等优化编解码器版本，持续推动视频压缩技术的演进。

数据集最近研究

最新研究方向

在视频编码与质量评估领域，BVI-CC数据集填补了缺乏涵盖HEVC、AV1和VVC三种主流编码器压缩版本公开资源的空白。当前前沿研究方向聚焦于利用该数据集进行跨编码器的公平性能对比，尤其是在自适应比特率流媒体场景下，通过主观与客观评价结合的方式，深入分析不同编码器在空间分辨率动态优化中的表现。该数据集的出现恰逢视频流量激增与深度学习驱动的编码优化需求高涨之际，其提供的多样化编码参数与主观评分数据，不仅为新一代视频编码标准的基准测试提供了权威参考，更推动了视频质量度量方法的演进，对提升流媒体用户体验与编码效率具有深远影响。

相关研究论文

• BVI-CC: A Dataset for Research on Video Compression and Quality Assessment

  布里斯托大学视觉信息实验室 · 2022年