Netflix/vmaf

来源：https://github.com/Netflix/vmaf

VMAF - 视频多方法评估融合（Video Multi-Method Assessment Fusion）

libvmaf (https://github.com/Netflix/vmaf/actions/workflows/libvmaf.yml) Windows (https://github.com/Netflix/vmaf/actions/workflows/windows.yml) ffmpeg (https://github.com/Netflix/vmaf/actions/workflows/ffmpeg.yml) Docker (https://github.com/Netflix/vmaf/actions/workflows/docker.yml)

VMAF 是由 Netflix 开发的、荣获艾美奖 (https://theemmys.tv/) 的感知视频质量评估算法。该软件包包含一个独立的 C 库 libvmaf 及其 Python 封装库。Python 库还提供了一组工具，允许用户训练和测试自定义 VMAF 模型。

阅读这篇 (https://medium.com/netflix-techblog/toward-a-practical-perceptual-video-quality-metric-653f208b9652) 技术博客文章以了解概况，这篇 (https://medium.com/netflix-techblog/vmaf-the-journey-continues-44b51ee9ed12) 文章了解最佳实践技巧，以及这篇 (https://netflixtechblog.com/toward-a-better-quality-metric-for-the-video-community-7ed94e752a30) 文章了解我们在速度优化、新 API 设计以及引入对编码器评估友好的 NEG 模式方面的最新进展。

libvmaf 中还包含了其他几种指标的实现：PSNR、PSNR-HVS、SSIM、MS-SSIM 和 CIEDE2000。

vmaf logo

新闻

• （2026-06）我们正在发布新一代 VMAF 模型（v1）。关于 v1 的更多信息请参阅技术博客 (https://medium.com/netflix-techblog/vmaf-v1-good-is-not-good-enough-60d7e4244ea8)。详情及模型选择指南请参阅 models_v1.md。上一代模型（v0）的文档仍保留在 models_v0.md 中。我们欢迎用户对 VMAF v1 提供反馈，并将持续改进和更新模型。
• （2023-12-07）我们正在发布 libvmaf v3.0.0。该版本包含多项优化和 bug 修复，并彻底移除了在 v2.0.0 中已弃用的 API。
• （2021-12-15）我们为 CAMBI 添加了 full_ref 输入参数，允许将 CAMBI 作为全参考指标运行，同时考虑源内容中已存在的 banding。请查看 使用方法 页面。
• （2021-12-1）我们为 CAMBI 添加了 max_log_contrast 输入参数，允许以比默认值更高的对比度捕捉 banding。我们还加速了 CAMBI（例如，4K 分辨率下约 4.5 倍）。请查看 使用方法 页面。
• （2021-10-7）我们开源了 CAMBI（对比度感知多尺度 Banding 指数）——Netflix 用于检测 banding（又称轮廓化）伪影的检测器。概况请查看技术博客 (https://netflixtechblog.medium.com/cambi-a-banding-artifact-detector-96777ae12fe2)，以及发表于 PCS 2021 的技术论文（注意：论文描述的是 CAMBI 的初始版本，与当前代码不完全一致，但仍是很好的入门资料）。另请查看 使用方法 页面。
• （2020-12-7）请查看我们最新的技术博客 (https://netflixtechblog.com/toward-a-better-quality-metric-for-the-video-community-7ed94e752a30)，内容涉及速度优化、新 API 设计以及引入对编码器评估友好的 NEG 模式。
• （2020-12-3）我们正在发布 libvmaf v2.0.0。该版本采用了新的定点数实现和 x86 SIMD 优化（AVX2、AVX-512），相比之前的浮点版本实现了 2 倍的速度提升。同时引入了更加灵活和可扩展的新 API。
• （2020-7-13）我们编写了一份备忘录 (https://docs.google.com/document/d/1dJczEhXO0MZjBSNyKmd3ARiCTdFVMNPBykH4_HMPoyY/edit?usp=sharing)，分享我们对 VMAF 在图像增强操作下的特性、其对编码器评估的影响以及应对方案的思考。据此，我们新增了一种名为无增强增益（NEG）的模式。
• （2020-2-27）我们将 VMAF 的许可证从 Apache 2.0 更改为 BSD+Patent (https://opensource.org/licenses/BSDplusPatent)，这是一种比 Apache 更宽松的许可证，且包含明确的专利授权。

文档

这里有一个文档总览，链接到具体页面，涵盖常见问题、可用模型和功能、软件使用指南以及资源列表。

使用方法

该软件包提供了多种与 VMAF 实现进行交互的方式。

• 命令行工具 vmaf 提供了完整的算法实现，便于在生产环境中部署 VMAF。此外，vmaf 工具还提供了 PSNR、SSIM 和 MS-SSIM 等辅助功能。
• C 库 libvmaf 提供了将 VMAF 集成到你的代码中的接口，以及将其他特征提取器集成到库中的工具。
• Python 库 提供了全套封装类和脚本，用于软件测试、VMAF 模型训练与验证、数据集处理、数据可视化等。
• VMAF 现已作为滤镜包含在 FFmpeg 中，可通过以下方式配置：./configure --enable-libvmaf。请参阅在 FFmpeg 中使用 VMAF 页面。
• VMAF Dockerfile 可以根据 Python 库 生成 docker 镜像。详细用法请参阅此文档。
• 如需在 Windows 上构建 VMAF，请按照这些说明操作。
• AOM CTC：AOM 已根据 AOM 通用测试条件（CTC）指定 vmaf 为标准实现指标工具。符合 AOM CTC 的用法请参阅此页面。

贡献指南

请参阅贡献页面。另请参阅此幻灯片 (https://docs.google.com/presentation/d/1Gr4-MvOXu9HUiH4nnqLGWupJYMeh6nl2MNz6Qy9153c/edit#slide=id.gc20398b4b7_0_132) 以了解贡献指南概览。