媒体服务质量保障与QoE

Posted 2022-12-14 LiveVideoStack_

LiveVideoStackCon 2022 音视频技术大会 北京站将于12月9日至10日在北京丽亭华苑酒店召开，本次大会将延续【音视频+无限可能】的主题，邀请业内众多企业及专家学者，将他们在过去一年乃至更长时间里对音视频在更多领域和场景下应用的探索、在实践中打磨优化技术的经验心得、对技术与商业价值的思考，与大家一同分享和探讨。

媒体服务质量保障与QoE

近年来随着媒体内容处理、传输能力的提升以及内容呈现形式、形态等的不断变化，用户对于多媒体服务、内容质量的期待也越来越高，面对不同业务场景下的需求特性，通过丰富的数据监控与收集，进行更加针对有效的优化，才能提供更贴近用户需求的完美体验。本专题将从图像质量评估、端到端体验优化、主观人眼感知等不同维度来一同探讨如何保障和优化提升QoS与QoE。

⏰ 时间：2022年12月10日 14:00-17:55

🌏 地址：北京丽亭华苑酒店 鸿运1厅

# 出品人 #

段兵楠

Producer

美团

基础技术部技术专家

段兵楠，美团基础技术部技术专家，负责美团多媒体、音视频相关基础服务的研发工作。有丰富的广电、互联网行业音视频项目经验。近年来专注在私有云直播云平台，视频转码服务，图片服务以及大规模系统稳定性建设方向。

---

# 讲师与议题 #

Topic1

实时通信下视频QoE端到端轻量化网络建模

在实时视频通信中，影响观众对视频体验的有较多且复杂的因素，包括：画质、流畅度观看设备等。传统客观算法会利用网络传输或编解码参数拟合接收端人的感知体验，或者使用图像质量结合其他相关参数拟合实时视频质量。由于缺少除画质外的量化指标且没有直接衡量视频感知体验，所以当前QoE算法有一定局限性。目前端到端的QoE模型可以有效解决上述面临的难题，但同时也面临着主观实验复杂、数据依赖与模型运算量大的问题。本次分享会重点介绍视频体验数据库的建立、视频画质评估建模及其端上轻量优化。

内容大纲：

1. 用户主观视频QoE影响因素分解

2. 无参考视频画质评估模型及相关数据库建立

3. 端上网络轻量化加速

---

Topic2

vivo互联网视频播放体验优化的探索与实践

随着vivo互联网在视频业务领域的不断扩展，在多样化的业务场景下，如何提升每个用户的视频播放体验，保障最优的播放流畅度和清晰度，vivo互联网技术团队做了很多尝试与突破。

本次分享分为三个部分：第一部分介绍vivo互联网视频业务产品矩阵及视频处理中台技术架构；第二部分介绍vivo互联网打磨播放流畅度的发展历程，最终为什么引入内容感知编码，内容感知编码方案是如何实现的，业务收益如何；第三部分介绍提升视频清晰度的实践，如何针对品类繁多的视频设计训练模型并做合理决策，如何对被多次压缩且画质受损严重的视频进行画质还原，实验数据和业务收益如何。通过以上三个部分，为大家分享vivo互联网在播放体验领域的实践和成果。

内容大纲：

1. vivo互联网视频产品矩阵和技术架构

2. 打磨流畅度与内容感知编码

3. 提升视频清晰度实际遇到的问题和解决方案

---

Topic3

百度视频质量评测的实践之路

视频编解码技术日新月异，新的编解码技术赋予视频业务新的应用场景和新的用户视听体验。同时，视频作为带宽消耗大户，如何在视听体验和视频带宽之间取得最优的平衡是一个永恒的话题。视频质量评测主要用来回答：体验是否改善、带宽是否合理等问题。
然而，在实际中，受限于各种因素，视频质量评测在实践中存在着诸多问题：主观评估的置信度如何保证？如何进行规模化的主观评估？如何解决不同设备的差异带来结果偏差？如何解决评估者的差异导致的结果偏差？如何对主观评估进行有效的管理和调度？如何解释主观评估和客观算法之间的一致性？

内容大纲：
1. 介绍视频质量评测的必要性以及实践中进行质量评测时面对的难题和困境；
2. 介绍如何利用技术手段解决视频评测过程中的规模化效率以及各种因素下带来的评估不置信问题，如何解决不同设备的评估差异，如何解决用户先验知识带来的打分偏差；
3. 介绍百度的视频评测体系的构建思路与设计，如何从面向工具到面向服务转型，如何进行场景化评测，场景化评测如何进行调度。同时，还会介绍在该体系之上的扩展应用场景，例如数据分析等。

---

Topic4

Hotstar基于大数据平台计算用户观看VMAF质量的实践

在评价用户视频观看质量中，以往通常使用平均观看码率这一指标来衡量。但在相同码率下不同内容给用户的主观质量感受是不一样的，平均观看码率并不能准确反映用户实际的观看质量。

为了改进评价方法，我们希望通过按观看时长加权平均的VMAF分数作为更加精准的量化指标。但是由于我们的用户平台比较多（ios安卓移动端、不同的电视平台、机顶盒等），如果在客户端一一开发VMAF计算功能需要大量的开发工作。如需后期调整计算策略还要等待所有平台客户端完成新版本发布。

我们采用了另一种思路去解决VMAF计算的需求：客户端仅仅统计发送具体视频流的码率信息，利用公司的大数据平台在后端去精准匹配每一段观看活动并映射成VMAF分数，然后在后端实现了灵活的统计。大大降低了客户端实现复杂度，还提供了更多类型的分析结果。

内容大纲：
1. 在评价用户视频观看质量中碰到的挑战；

2. 方案从编码到播放器打点，到最后后端计算的过程；

3. 方案实现过程中碰到的一些问题及解决方法。

↓ 点击「阅读原文」立即报名！